Julio

Julio Csar lvarez Iglesias
Desenvolvimento de um sistema de microscopia

digital para classificao automtica de tipos
de hematita em minrio de ferro
Tese de Doutorado
Tese apresentada ao Programa de Psgraduao em Engenharia

de Materiais e de Processos Qumicos e Metalrgicos da PUC-
Rio como requisito parcial para obteno do grau de Doutor em
Engenharia de Materiais e de Processos Qumicos e Metalrgicos.
Orientador : Prof. Sidnei Paciornik

Coorientador: Dr. Otvio da Fonseca Martins Gomes
Rio de Janeiro
Agosto de 2012
Desenvolvimento de um sistema de microscopia

digital para classificao automtica de tipos
de hematita em minrio de ferro
Tese apresentada como requisito parcial para obteno do grau

de Doutor pelo Programa de Psgraduao em Engenharia de
Materiais e de Processos Qumicos e Metalrgicos da PUC-Rio.
Aprovada pela Comisso Examinadora abaixo assinada.
Prof. Sidnei Paciornik

Orientador
Departamento de Engenharia de Materiais PUC-Rio
Dr. Otvio da Fonseca Martins Gomes

Coorientador
Centro de Tecnologia Mineral CETEM/MCTI
Prof. Paulo Roberto Gomes Brando

Universidade Federal de Minas Gerais UFMG
Prof. Leonardo Evangelista Lagoeiro

Universidade Federal de Ouro Preto UFOP
Dr. Reiner Neumann

Centro de Tecnologia Mineral CETEM/MCTI
Dr. Marcos Henrique de Pinho Maurcio

Departamento de Engenharia de Materiais PUC-Rio
Prof. Jos Eugenio Leal

Coordenador Setorial do Centro Tcnico Cientfico PUC-Rio
Rio de Janeiro, 9 de Agosto de 2012

Todos os direitos reservados. proibida a reproduo total
ou parcial do trabalho sem autorizao da universidade, do
autor e do orientador.

Graduou-se em Fsica pela Universidade da Havana (Havana,
Cuba). Fez mestrado no Departamento de Engenharia de Ma-
teriais da PUC-Rio, especializando-se na rea de microscopia
digital, processamento e anlise digital de imagens. Desen-
volveu um grande nmero de rotinas de processamento digital
de imagens para a companhia Vale na identificao e carac-
terizao de minrio de ferro assim como seus aglomerados.
Ficha Catalogrfica
lvarez Iglesias, Julio Csar
Desenvolvimento de um sistema de microscopia digital

para classificao automtica de tipos de hematita em minrio
de ferro / Julio Csar lvarez Iglesias; orientador: Sidnei
Paciornik; co-orientador: Otvio da Fonseca Martins Gomes.
2012.
v., 84 f: il. color. ; 30 cm
Tese (doutorado) - Pontifcia Universidade Catlica do

Rio de Janeiro, Departamento de Engenharia de Materiais.
Inclui bibliografia
1. Engenharia Qumica Teses. 2. Engenharia de Materiais

Teses. 3. Minrio de Ferro;. 4. Cristais de Hematita;. 5. Mi-
croscopia Digital;. 6. Anlise de Imagens;. 7. Classificao;.
8. Microscopia de Luz Polarizada.. I. Paciornik, Sidnei. II. da
Fonseca Martins Gomes, Otvio. III. Pontifcia Universidade
Catlica do Rio de Janeiro. Departamento de Engenharia de
Materiais. IV. Ttulo.
CDD: 620.11
Agradecimentos
Em primeiro lugar, gostaria de agradecer especialmente a meu orientador

Prof. Sidnei Paciornik e coorientador Dr. Otvio Gomes. Em particular, quero
manifestar o meu apreo ao Sidnei que, alm de orientador, tem sido um amigo.
Eu no tenho palavras para expressar minha sincera gratido a ele, mas eu me
considero afortunado por ter trabalhado com ele nos ltimos seis anos; dois
deles durante o meu mestrado. Agradecimentos especiais ao meu coorientador
Otvio Gomes por ter me guiado durante esta caminhada com seu extenso
conhecimento e entusiasmo.
Eu tenho a sorte de ter a oportunidade de colaborar com colegas de
laboratrio muito competentes que sem dvida tm contribudo significativa-
mente para essa tesse. Eles tambm tm sido os responsveis por criar um
ambiente agradvel e estimulante para trabalhar durante esses quatro anos de
minha pesquisa. Individualmente, gostaria de agradecer a Karen Augusto por
ter sacrificado longas horas na coleta de dados e anlise de vrios resultados
importantes para a minha tese, a David Pirotte pelo suporte com as questes
tcnicas relacionadas ao uso do Latex, a Debora Turon pelos momentos com-
partilhados e aprendizado dividido, assim como a Luciana Carneiro.
Eu tambm devo muito a Maria Beatriz Vieira, nossa colaborada da Vale,
que gerenciou e nos permitiu o acesso a este desafiante problema. Certamente
contar com a sua colaborao foi decisiva para o impacto e contribuio da
minha tese no contexto da indstria brasileira.
Agradeo ao CETEM/MCTI pela parceria e pelo apoio na aquisio e
processamento dos resultados usados nesta tese.
Tambm sou grato aos membros da minha banca examinadora, Prof.
Paulo Roberto Gomes Brando, Prof. Leonardo Evangelista Lagoeiro, Dr.
Reiner Neumann e Dr. Marcos Henrique de Pinho Maurcio, que comprom-
eteram muito generosamente seu tempo e conhecimento para avaliar a minha
tese.
Eu tambm gostaria de agradecer minha esposa, por cada minuto de
amor, estmulo, pacincia, encorajamento e fora. A meus pais pelo apoio,
mesmo a muitos quilmetros de distncia, que tem sido essencial para encontrar
foras e continuar lutando pelos meus objetivos. Palavras no podem expressar
a imensido da gratido que tenho por eles. minha famlia em geral pela fora
e confiana.
Por ltimo, mas no menos importante, gostaria de agradecer CAPES
pelo apoio financeiro e PUC-Rio pela bolsa de iseno de mensalidades do
doutorado.
Resumo
lvarez Iglesias, Julio Csar; Paciornik, Sidnei; da Fonseca Mar-

tins Gomes, Otvio. Desenvolvimento de um sistema de mi-
croscopia digital para classificao automtica de tipos de
hematita em minrio de ferro. Rio de Janeiro, 2012. 84p. Tese
de Doutorado Departamento de Engenharia de Materiais, Pontif-
cia Universidade Catlica do Rio de Janeiro.
O minrio de ferro um material policristalino oriundo de processos
naturais complexos durante tempos geolgicos, que do origem a caracters-
ticas intrnsecas e comportamento industrial variado. A grande maioria dos
minrios de ferro brasileiros essencialmente hemattico. A hematita pode
ser classificada como lobular, lamelar, granular, microcristalina ou martita.
Na indstria mineral, esta caracterizao tradicionalmente realizada por
operadores humanos a partir da observao de amostras no microscpio
tico, sujeita a grandes variaes. Assim, relevante desenvolver um pro-
cedimento que permita a discriminao dos diferentes tipos de hematita
e a medida de caractersticas tais como o tamanho de cristal. Esta tese
prope um sistema que mede e classifica automaticamente tipos texturais de
hematita baseado no processamento e na anlise de imagens de microscopia
tica, em campo claro, polarizao linear e polarizao circular. Foram de-
senvolvidas rotinas para aquisio, registro, segmentao, reconhecimento e
anlise morfolgica de cristais de hematita. A segmentao automtica de
cristais de hematita foi baseada no clculo da distncia espectral, a fim de
controlar o crescimento de regies partindo das sementes. Os resultados da
identificao dos cristais obtidos, tanto nas imagens obtidas com polarizao
linear quanto com polarizao circular, foram muito promissores. Atributos
de tamanho e forma dos cristais identificados foram obtidos. Estes dados
foram usados como conjunto de treinamento para classificadores supervi-
sionados, permitindo reconhecer as classes de hematita granular, lamelar e
lobular. Taxas de acerto globais prximas a 98% foram obtidas, tanto para
autovalidao, quanto para a validao cruzada.
Palavras-chave
Minrio de Ferro; Cristais de Hematita; Microscopia Digital;
Anlise de Imagens; Classificao; Microscopia de Luz Polarizada.
Abstract
lvarez Iglesias, Julio Csar; Paciornik, Sidnei (Advisor); da Fon-

seca Martins Gomes, Otvio (Co-Advisor). Development of a
digital microscopy system for automatic classification of
hematite types in iron ore.. Rio de Janeiro, 2012. 84p. PhD
Thesis Departamento de Engenharia de Materiais, Pontifcia Uni-
versidade Catlica do Rio de Janeiro.
Iron ore is a polycrystalline material created by complex natural pro-
cesses during geological periods, which give rise to intrinsic characteristics
and varied industrial behavior. The vast majority of the Brazilian iron ores
belong essentially to the hematitic type. Hematite can be classified as lobu-
lar, lamelar, granular, micro-crystalline or martite. In the mineral industry,
the characterization of iron ore and its agglomerates is traditionally de-
veloped by human operators from the observation of samples under the
optical microscope, which may suffer large variations. Thus, it is impor-
tant to develop a procedure that allows the discrimination of the different
hematite types and the measurement of characteristics such as crystal size.
The present thesis proposes a system for the automatic classification of
hematite textural types, based on digital processing and analysis of opti-
cal microscopy images, in bright field, linear and circular polarized light.
Routines were developed for the acquisition, registration, recognition and
morphological analysis of hematite crystals. The automatic segmentation of
hematite crystals was based on calculating the spectral distance, in order
to control the region expansion from the seeds. The results regarding the
identification of the obtained crystals were very promising. Size and shape
attributes were obtained and used as a training set for supervised classifiers,
leading to the recognition of granular, lamelar and lobular hematite classes.
Global success rates close to 98% were obtained concerning self-validation
as well as crossed validation.
Keywords
Iron Ore; Hematite Crystals; Digital Microscopy; Image Analysis;
Classification; Polarized Light Microscopy.
Sumrio
1 Introduo 12
2 Reviso Bibliogrfica 16
2.1 Minrio de Ferro 16
2.1.1 Hematita 20
2.2 Microscopia Digital 23
2.2.1 Polarizao da Luz 25
2.3 Processamento e Anlise Digital de Imagens 31
2.3.1 Pr-processamento 32
2.3.1.1 Registro de imagem 32
2.3.1.2 Delineao 35
2.3.1.3 Filtro Mediana 37
2.3.2 Tcnicas de segmentao 39
2.3.2.1 Limiarizao 40
2.3.2.2 Segmentao por Contornos 42
2.3.2.3 Crescimento de Regies 43
2.3.3 Ps-processamento 45
2.3.3.1 Operaes Lgicas 45
2.3.3.2 Operaes Morfolgicas 48
2.3.4 Extrao de Atributos 55
2.3.5 Reconhecimento e Classificao 61
2.3.5.1 Conjunto de treinamento 64
2.3.5.2 Conjunto de caractersticas 64
2.3.5.3 Classificadores 65
3 Concluso e Trabalhos Futuros 70
Referncias bibliogrficas 72
A Artigo da Tese Publicado em Peridico 84

Lista de figuras
2.1 Evoluo da Produo Mundial de Ao Bruto no perodo 1950 -

2010.(24) 19
2.2 Hematita: (a) e (b) Imagens de fragmentos do mineral; (c) Estru-
tura trigonal-hexagonal visualizando os planos; (d) Modelo de bolas
e varetas da cela unitria.(4, 31) 22
2.3 Variao de brilho entre dois cristais adjacentes: (a) Imagem em
campo claro; (b) Imagem com polarizao de um mesmo campo.(65) 25
2.4 Luz natural com os diferentes comprimentos de onda correspon-
dentes a cada cor. Neste caso s foi representada a intensidade do
campo eltrico para facilitar a visualizao.(67) 26
2.5 Propagao de uma onda plana linearmente polarizada. Neste caso
s foi representada a intensidade do campo eltrico para facilitar a
visualizao.(68) 27
2.6 Propagao de uma onda com polarizao circular. Neste caso s
foi representada a intensidade do campo eltrico para facilitar a
visualizao.(69) 28
2.7 Variao de brilho entre cristais adjacentes: (a) Imagem em campo
claro; (b) Imagem com polarizao linear; (c) Imagem com polari-
zao circular, de um mesmo campo. 30
2.8 Sequncia padro de PADI por etapas.(52) 32
2.9 Possveis transformaes em registro de imagens.(52) 33
2.10 Possveis pontos de controle: (a) Imagem de referncia e (b)
Imagem a ser registrada; (c) Imagem registrada. 34
2.11 Funo de transformao para o realce do brilho nas bordas dos
objetos.(88) 36
2.12 Delineao: (a) Imagem original, seu histograma e uma viso
ampliada da regio demarcada em vermelho; (b) Imagem delineada,
seu histograma e a ampliao da mesma regio demarcada em
vermelho.(74) 37
2.13 Exemplo de um filtro mediana de tamanho 3x3. 38
2.14 Uso do filtro mediana: (a) Imagem esquemtica com rudo sal-e-
pimenta; (b) Imagem esquemtica com rudo reduzido pelo filtro
mediana de tamanho 3x3.(78) 38
2.15 Exemplo de limiarizao bimodal: (a) Imagem original; (b) Imagem
binria; (c) Tom de corte no histograma. 41
2.16 Exemplo de limiarizao pentamodal: (a) Imagem original em 256
tons de cinza; (b) Imagem quinria com as fases diferenadas com
cores; (c) Tons de corte no histograma.(74) 42
2.17 Exemplo de deteco de bordas pelo mtodo de Canny: (a) Imagem
original; (b) Imagem binria com as bordas dos cristais de hematita. 43
2.18 Exemplo de crescimento de regies com t = 3: (a) Imagem em
tons de cinza; (b) Duas regies (R1 e R2 ) separadas com n = 2
sementes (em vermelho); (c) Trs regies (R1 , R2 e R3 ) separadas
com n = 3 sementes (em vermelho). 46
2.19 Operaes lgicas pixel a pixel. 46
2.20 Operaes lgicas bsicas (NOT, OR e AND). 47
2.21 Operao lgica XOR. 48
2.22 Eroso e Dilatao. 50
2.23 Abertura e Fechamento. 51
2.24 Exemplo esquemtico do uso de MDE: (a) Imagem binria; (b)
Imagem MDE; (c) Eroso de passo 2. 54
2.25 Mtodo dos divisores de gua: (a) Imagem binria inicial; (b)
Imagem MDE; (c) Imagem sementes; (d) Imagem binria com os
objetos separados. 55
2.26 Separao de objetos numa imagem binria dependendo do tipo de
conectividade entre pixels: (a) Imagem binria inicial; (b) Objetos
separados com conectividade 4; (c) Objetos no separados com
conectividade 8.(115) 56
2.27 Clculo do permetro de um objeto atravs dos passos horizontais,
verticais e diagonais. 59
2.28 Comparao de fatores adimensionais de forma.(114) 61
2.29 Tipos de sistemas de classificao utilizando os parmetros carac-
tersticos FFC e RA: (a) Classificao supervisionada; (b) Classifi-
cao no-supervisionada. 63
Lista de tabelas
2.1 Reservas mundiais de minrio de ferro no ano 2011 (106 t).(19) 17

2.2 Reservas brasileiras de minrio de ferro Medidas e Indicadas (em
toneladas).(21) 18
2.3 Produo Mineral (em milhes de tons/ano).(20) 19
2.4 Quadro ilustrativo com as principais morfologias de cristais de
xidos/hidrxidos de ferro.(14) 21
2.5 Orientaes estruturais entre os xidos de ferro.(4) 23
Lista de Abreviaturas
ADI Anlise Digital de Imagens

BIF Banded Iron Formation
CCD Charge-Coupled Device
CETEM Centro de Tecnologia Mineral
CPOL Polarizao Circular
CRM Crescimento de Regies Modificado
CW Canny-Watersheds
DEMa Departamento de Engenharia de Materiais
FDA Anlise Discriminante de Fisher
GPU Graphics Processing Unit
KLT Transformada de Karhunen-Love
LDA Anlise Discriminante Linear
LMD Laboratrio de MD da PUC-Rio
LPOL Polarizao Linear
CLUT Colour Look-Up table (Tabela de visualizao)
MCTI Ministrio da Cincia, Tecnologia e Inovao
MD Microscopia Digital
MDE Mapa de Distncias Euclidianas
MDS Escalonamento Multidimensional
MLR Microscpio de Luz Refletida
PADI Processamento e Anlise Digital de Imagens
PCA Anlise de Componentes Principais
PDI Processamento Digital de Imagens
RGB Sistema de cores Red, Green, Blue
SCT Setor de Caracterizao Tecnolgica
SIFT Scale Invariant Feature Transform
SP Sem Polarizao
TA Taxa de Acerto
UNCTAD Conferncia das Naes Unidas para o Comrcio e o Desenvolvimento
1
Introduo
O ferro o metal mais usado pela sociedade devido alta disponibilidade,

pelas propriedades fsicas (dutilidade, maleabilidade, resistncia mecnica,
etc.), por sua importncia na produo de ao e ferro fundido, assim como
pelas suas muitas aplicaes.
O uso do ferro vem desde a antiguidade. Provavelmente a primeira vez
que o homem fez contato com o ferro metlico foi sob a forma de meteoritos,
da a etimologia da palavra siderurgia, cujo radical latino sider significa estrela
ou astro. No antigo Egito foram descobertos ornamentos de ferro datados de
cerca de 4000 A.C., tambm na pirmide de Giz foram achadas peas datadas
de 2900 A.C. A primeira indstria do ferro apareceu ao sul do Cucaso, 1700
A.C., entre os Hititas. Tambm, na Assria, foram encontradas ferramentas de
ao que datavam de 700 anos A.C. (1)
Na atualidade, o uso crescente do ao e do ferro fundido na fabricao de
produtos de consumo evidencia a importncia da indstria metalrgica para
a economia nacional e global. Em contrapartida, a qualidade do minrio de
ferro disponvel vem diminuindo ao longo dos anos. Portanto, as empresas
de minerao tem se esforado para aumentar a produo e melhorar seus
produtos, a fim de manter e aperfeioar o seu desempenho no mercado.
O minrio de ferro um material policristalino que passou por vrios
processos naturais complexos. Estes processos ocorreram durante tempos
geolgicos, devido aos efeitos da presso, s mudanas de temperatura,
recristalizao e eroso, dando origem a diversas caractersticas intrnsecas,
e consequentemente, a um comportamento industrial varivel.(2)
Assim, o minrio de ferro normalmente utilizado de duas formas:
minrios granulados e minrios aglomerados. Os granulados (entre 25 mm
e 6 mm) so adicionados diretamente nos fornos de reduo, enquanto os
aglomerados so os minrios finos que devido sua granulometria necessitam
de aglomerao. Da surgem as denominaes sinter-feed (entre 6, 35 mm e
0, 15 mm) e pellet-feed (menos de 0, 15 mm) que identificam as fraes usadas
nos processos de sinterizao e pelotizao, respectivamente.(3)
Devido ao grande interesse econmico, bem como o seu desempenho
durante o processo, a caracterizao de cada uma destas fraes adquire grande
Captulo 1. Introduo 13
importncia. No entanto, no existe um mtodo universal para isto. De fato,

este um problema complexo, uma vez que so diversos os atributos que
caracterizam forma, textura, trama ou porosidade, assim como as maneiras
como so combinados em cada caso.(4)
Os minerais carreadores de ferro mais comuns (hematita, magnetita e
goethita) podem ser identificados visualmente no Microscpio de Luz Refle-
tida (MLR) atravs de suas refletncias distintas.(5) Assim, a caracterizao
qualitativa de minrios de ferro geralmente realizada atravs de avaliao
visual no MLR.
Na indstria mineral, a caracterizao microestrutural (mineralgica e
textural) do minrio de ferro e seus aglomerados tradicionalmente realizada
por operadores humanos, pela observao de amostras ao MLR, para identifi-
car as fases presentes e estimar suas fraes. Esse um procedimento rotineiro,
realizado algumas vezes por dia e consequentemente suscetvel a falhas decor-
rentes da fadiga humana, alm de erros aleatrios diversos. Deste modo, tem
havido um interesse crescente no desenvolvimento de sistemas automticos de
anlise quantitativa que possam conferir maior reprodutibilidade, confiabili-
dade e velocidade.
Por outro lado, sistemas automticos de anlise digital de imagens so
capazes de identificar hematita, magnetita e goethita pelas suas tonalidades
em imagens obtidas pelo MLR. Estes sistemas tm a vantagem de serem mais
velozes, prticos e reprodutveis do que um operador humano. Nos ltimos
anos, algumas metodologias foram desenvolvidos para realizar a caracterizao
mineralgica de minrios de ferro atravs de sistemas de anlise de imagens.(6,
7, 8, 9)
A grande maioria dos minrios de ferro brasileiros essencialmente he-
mattica, geralmente envolvendo outros minerais como magnetita, goethita e
minerais de ganga, principalmente quartzo. No entanto, estes minrios apre-
sentam grande diversidade de microestruturas. A hematita, por exemplo, pode
ser classificada como lobular, lamelar, granular, microcristalina ou martita.
O tamanho, a forma e a distribuio dos cristais de hematita podem influ-
enciar na redutibilidade e resistncia mecnica dos aglomerados. Por exemplo,
hematitas granular e lamelar aumentam a resistncia mecnica dos aglomera-
dos, mas reduzem sua porosidade e sua redutibilidade. J a hematita marttica
age no sentido oposto, aumentando a porosidade e redutibilidade dos aglomera-
dos, mas reduzindo sua resistncia mecnica.(2, 10, 11) Assim, a determinao
das caractersticas texturais da hematita certamente contribui para um me-
lhor conhecimento dos minrios de ferro, abrindo novas possibilidades a fim de
aprimorar seu processamento.(12)
A hematita um mineral fortemente anisotrpico. Ela apresenta 1ple-

ocrosmo de reflexo (birrefletncia), ou seja, sua refletncia e, consequente-
mente, o seu brilho na imagem mudam com diferentes orientaes dos cristais
em relao ao plano de incidncia da luz.(5) Essa variao de brilho sutil,
mas perceptvel ao olho humano treinado no MLR.
Por sua vez, o uso combinado de um polarizador e um analisador no MLR
gera variaes de brilho e cores devido anisotropia.(13) Esta abordagem pode
ser usada para obter imagens que apresentam um contraste suficiente para
diferenar os cristais.
Como j constatado, os minrios de ferro podem ter uma estrutura muito
complexa, com a associao de diferentes minerais e texturas. De tal modo, no
muito difcil imaginar que criar um algoritmo de anlise de imagens capaz
de identificar e caracterizar todas as formas de hematita um grande desafio.
Sendo assim, este trabalho tem como objetivo desenvolver uma metodologia
de aquisio, processamento e anlise de imagens no MLR para:
(i) Segmentar cristais de hematita compacta (granular, lamelar e lobular)

no minrio de ferro em amostras ricas neste mineral;
(ii) Medir tamanho de cristais de hematita compacta e;
(iii) Medir os cristais de hematita compacta visando a sua classificao

segundo sua morfologia.
O grupo de pesquisa em Microscopia Digital (MD) do DEMa/PUC-Rio

est tentando desenvolver uma metodologia de classificao automtica de
tipos de hematita atravs de duas abordagens diferentes, analtica e sinttica.
A primeira objeto de estudo deste trabalho, j a segunda ser desenvolvida
por outro integrante do grupo como parte da sua dissertao de mestrado.
O mtodo sinttico consiste em empregar parmetros de textura com
o objetivo de identificar tipos texturais de hematita no compacta (martita e
microcristalina). Com este fim, as imagens so analisadas em textels (elementos
de textura), dos quais so extrados os parmetros de textura. Estes parmetros
de textura so empregados como atributos no sistema de classificao.
Por sua vez, o mtodo analtico combina diversas imagens de um mesmo
campo, obtidas com e sem polarizao. A imagem sem polarizao permite
separar a hematita das demais fases, a partir de seu brilho. As imagens com
polarizao permitem encontrar as fronteiras entre os cristais de hematita.
Uma vez separados os cristais de hematita, estes so medidos e classificados
segundo sua morfologia.(2, 13)
O mtodo analtico tem como caracterstica fundamental o reconheci-

mento individual de cada cristal de hematita, porm o mtodo ineficiente na
identificao dos cristais das fases no compactas. assim que o mtodo sint-
tico visa complementar esta deficincia, criando, no conjunto, uma metodologia
de classificao automtica dos cinco tipos de hematita.
A presente tese est organizada em cinco captulos. O primeiro captulo
consiste desta introduo.
O segundo captulo (Reviso Bibliogrfica") traz uma retrospectiva do
minrio de ferro, sua importncia econmica, sua composio e sua micro-
estrutura. Ao mesmo tempo, expe o contedo terico das diversas tcnicas
experimentais envolvidas no trabalho e descreve algumas tcnicas que vm
sendo estudadas.
O terceiro captulo (Materiais e Mtodos") descreve o mecanismo de
preparao das amostras de minrio de ferro. Por sua vez, apresenta as etapas
experimentais, assim como os equipamentos e tcnicas usadas na anlise destas
amostras. Neste captulo, so tambm descritas as tcnicas de identificao,
medio e classificao dos cristais de hematita.
O quarto captulo (Resultados e Discusses") apresenta e discute os
resultados. Neste captulo, so expostas as vantagens e desvantagens de cada
tcnica experimental, assim como sua eficincia na identificao de cristais de
hematita.
Finalmente, o quinto captulo (Concluses") apresenta as concluses e
propostas para trabalhos futuros.
Cumpre comentar, nesta introduo, sobre uma caracterstica um tanto
peculiar da estrutura do presente trabalho. Para atingir os objetivos listados
acima foram desenvolvidos diferentes mtodos de microscopia digital, envol-
vendo a criao de rotinas sofisticadas de processamento e anlise de imagens.
Assim, parte dos mtodos "utilizados"foram, na verdade, "desenvolvidos"no de-
correr do trabalho. Por esta razo, os contedos dos captulos de Materiais e
Mtodos e de Resultados muitas vezes se misturam e retroalimentam, gerando
uma estrutura um tanto fora do padro.
2
Reviso Bibliogrfica
Neste capitulo, so apresentadas primeiramente a importncia econ-

mica, formao, composio e estrutura interna do material a ser estudado. A
seguir so revisadas as tcnicas de MD, relevantes no contexto deste trabalho,
no mbito da microscopia tica de luz refletida e da anlise de imagens.
2.1
Minrio de Ferro
O ferro um dos elementos mais abundantes da crosta terrestre (o
segundo metal, com aproximadamente 4,2%) e matria-prima fundamental
para a indstria.
O maior desenvolvimento de formao ferrfera ocorreu no perodo Pr-
cambriano tardio da era Proterozica. Estas formaes ocorreram nas rochas
sedimentares do tipo Formaes Ferrferas Bandadas (BIF - Banded Iron
Formation).(15, 16) As BIF esto compostas por grandes depsitos de camadas
ricas em ferro, alternando com camadas ricas em silcio. Elas representam os
maiores depsitos de minrio de ferro do planeta.(17)
Os maiores depsitos de minrio de ferro, no Brasil, so praticamente
todos do tipo hemattico, com altos teores de ferro.(18) As reservas medidas
e indicadas de minrio de ferro no Brasil alcanam 29 bilhes de toneladas
(Tabela 2.1), situando o pas em segundo lugar em relao s reservas mundiais,
de 166 bilhes de toneladas.(19)
Entretanto, em termos de ferro contido, as reservas brasileiras tm teor
mdio muito alto (aproximadamente 55%) e, embora continue em segundo, fica
muito mais prximo do primeiro lugar internacional. Esse fato ocorre devido ao
alto teor de ferro encontrado nas hematitas (60% a 67% de ferro), predominante
no Par, e itabirito (50% a 60% de ferro), predominante em Minas Gerais.(20)
Se tambm so consideradas as reservas inferidas, o Brasil aumenta
significativamente o seu potencial, totalizando 73,7 bilhes de toneladas de
minrio de ferro.(21) Por sua vez, se for considerado que a geologia do territrio
brasileiro pouco conhecida, quando comparada com a quantidade e qualidade
dos estudos geolgicos de outros pases com tradio mineral como o Canad,
Captulo 2. Reviso Bibliogrfica 17
Tabela 2.1: Reservas mundiais de minrio de ferro no ano 2011 (106 t).(19)
Pases RM RM [%] RC RC [%]
Austrlia 35000 21,08 17000 21,25

Brasil 29000 17,47 16000 20,00
Rssia 25000 15,06 14000 17,50
China 23000 13,86 7200 9,00
ndia 7000 4,22 4500 5,62
Estados Unidos 6900 4,16 2100 2,62
Canad 6300 3,80 2300 2,88
Ucrnia 6000 3,61 2100 2,62
Venezuela 4000 2,41 2400 3,00
Sucia 3500 2,11 2200 2,75
Cazaquisto 3000 1,81 1000 1,25
Ir 2500 1,51 1400 1,75
Mauritnia 1100 0,66 700 0,88
frica do Sul 1000 0,60 650 0,81
Mxico 700 0,42 400 0,50
Outros pases 12000 7,23 6000 7,50
TOTAL 166000 100,00 80000 100,00
RM: Reservas Medidas; RC: Reservas Contidas
a Austrlia e os Estados Unidos, o Brasil bem poderia estar em uma posio

ainda melhor.
Como pode ser observado na Tabela 2.2, as reservas brasileiras esto
assim distribudas:
(i) Minas Gerais - 67,0%;
(ii) Par - 16,0%;
(iii) Mato Grosso do Sul - 15,5% e;
(iv) Outros estados (Alagoas, Amazonas, Bahia, Cear, Gois, Pernambuco,

Rio Grande do Norte e So Paulo) - 1,5%.
Entre todos os metais, o ferro o mais produzido e o que est mais

presente em nossa vida. Cerca de 99,0% do minrio de ferro produzido
utilizado na fabricao de ao e ferro fundido. Uma vez que o ferro e o ao esto
presentes nos principais setores da indstria moderna, o consumo de minrio
de ferro um dos ndices considerados na medida de industrializao de um
pas.(22, 23)
Tabela 2.2: Reservas brasileiras de minrio de ferro Medidas e Indicadas (em

toneladas).(21)
Lugar Unidade da Federao Reservas Reservas [%] Teor [%]
1 Minas Gerais 19359905311 66,968 51,53

2 Par 4616877438 15,970 67,37
3 Mato Grosso do Sul 4472348567 15,470 55,09
4 So Paulo 344577533 1,192 31,91
5 Amazonas 71933809 0,249 65,92
6 Cear 25677321 0,089 35,69
7 Pernambuco 8942804 0,031 60,62
8 Gois 4269208 0,015 50,00
9 Bahia 2046658 0,007 56,00
10 Distrito Federal 1191610 0,004 50,00
11 Rio Grande do Norte 1086925 0,004 57,91
12 Alagoas 209005 0,001 54,95
TOTAL 28909066189 100,000 54,89
Este valor corresponde mdia ponderada.
Observando a evoluo da produo mundial de ao (Figura 2.1) a partir

da dcada de cinquenta do sculo XX, um crescimento na produo notado,
seguido, a partir da dcada de setenta, por uma estabilizao. J no fim dos
anos 90, o fator China na economia mundial fez com que a produo de
ao fosse puxada novamente para cima em um ritmo vertiginoso. vida por
commodities para sustentar seu crescimento, a China continuar a demandar
muito minrio de ferro, pois o consumo ainda crescente e assim dever
permanecer por muitos anos.(24)
A dependncia chinesa de recursos naturais externos de fato a principal
barreira a seu crescimento no longo prazo, e o Brasil representa uma fonte
segura de abastecimento aos chineses nas prximas dcadas. Segundo dados do
Conselho Empresarial Brasil-China, entre 1989 e 2004 a China foi responsvel
por 56% do crescimento do consumo de minrio de ferro em todo o mundo.
Em 2010, a China importou quase 60% das exportaes mundiais de minrio
de ferro total e produziu cerca de 60% de ferro gusa do mundo.(25)
O Brasil o segundo maior produtor de minrio de ferro, conforme
a Conferncia das Naes Unidas para o Comrcio e o Desenvolvimento
(UNCTAD). Em 2010, o pas produziu 372 milhes de toneladas, o que
corresponde a 15,5% da produo mundial (Tabela 2.3).(20) As vantagens das
abundantes reservas brasileiras devem-se a suas caractersticas naturais, cujas
Figura 2.1: Evoluo da Produo Mundial de Ao Bruto no perodo 1950 -

2010.(24)
jazidas so de tima qualidade e de fcil extrao, produzindo grandes volumes

a baixos custos.
Tabela 2.3: Produo Mineral (em milhes de tons/ano).(20)

Ano 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
PM 1060 1060 1080 1060 1340 1540 1712 1900 2200 2240 2400
PB 212 237 214 264 262 278 317 350 351 331 372
PB [%] 20,0 22,0 19,8 22,7 19,5 18,0 18,5 18,4 15,9 14,8 15,5
CM 2 2 2 2 2 2 2 2 2 2 2
EB 157 156 167 175 211 224 242 269 282 266 311
EB [%] 74,0 65,8 78,0 66,3 80,5 80,6 76,3 76,8 80,3 80,4 83,6
PM: Produo Mundial; PB: Produo Brasileira; CM: Colocao Mundial; EB: Exportao Brasileira
Os minrios brasileiros apresentam texturas muito variadas, devido s

diferentes condies de metamorfismo, tectonismo e intemperismo a que foram
sujeitos, ou, mesmo, em virtude de sua gnese. Consequentemente, dentro de
uma mesma amostragem, podero ocorrer minrios de diferentes caractersticas
mineralgicas e microestruturais.(10, 26, 27)
O ferro encontrado em diversos minerais, mas apenas alguns so
economicamente viveis como fontes deste elemento, sendo os xidos os mais
importantes.(28, 29) Os principais tipos de texturas de xidos e hidrxidos de

ferro e suas caractersticas so apresentadas na Tabela 2.4.(14)
2.1.1
Hematita
A hematita o mineral de ferro mais importante devido a sua alta
ocorrncia em vrios tipos de rochas e suas origens diversas.(30) A composio
qumica deste mineral Fe2 O3 , com uma frao mssica em ferro de 69,9% e
uma frao mssica em oxignio de 30,1%.(31)
Este mineral pode ser encontrado com diferentes morfologias (Ta-
bela 2.4), como, por exemplo, microcristalina, lobular, granular ou lamelar.
A hematita tambm pode ser encontrada com hbito de magnetita formando
uma fase mista chamada de martita.(2, 14) Estas morfologias esto relaciona-
das a uma condio de cristalizao diferenciada, que poder ter influncia no
seu processamento.(26)
O nome hematita vem do grego haima que significa sangue. Como pode
ser observado na Figura 2.2a e Figura 2.2b a cor da hematita varia do vermelho-
sangue at o preto com forte brilho metlico. Por sua vez, na Figura 2.2c,
pode ser observado que seu arranjo atmico trigonal-hexagonal (32/m), com
parmetros de a = 5, 034 e de c = 13, 752 e grupo espacial R3c.(4, 31) Esta
estrutura hexagonal pode ser observada facilmente no mineral como mostra a
Figura 2.2b.
A hematita tambm pode ser indexada no sistema rombodrico, cuja
cela unitria seria atr = 5, 427 e = 55, 3 , de tal forma que existem
camadas de oxignio rodeando tomos de ferro formando octaedros ligados
pelas faces, conforme mostrado na Figura 2.2d. Esta estrutura consiste de
um empacotamento denso de planos de oxignio empilhados na repetio
ABAB ao longo da direo [001] (planos de ons paralelos ao plano (001))
com os tomos de Fe ocupando as posies octadricas. Dois teros dos stios
octaedrais esto ocupados por ons F e3+ que so arranjados regularmente com
dois stios preenchidos seguidos por um stio vacante na direo [001] formando
anis sxtuplos.(4, 32)
O arranjo de ctions produz pares de octaedros F e(O)6 . Cada octaedro
compartilha uma face com um octaedro da camada adjacente. Assim, a
estrutura real de hematita distorcida devido repulso dos tomos de Fe
presentes nos octaedros que partilham a face. Os tomos de Fe, ento, se
situam mais prximos das faces no partilhadas (Figura 2.2d). A estrutura
tripla F e O3 F e influencia as propriedades magnticas da hematita que,
diferente da magnetita, um xido fracamente ferromagntico temperatura
Tabela 2.4: Quadro ilustrativo com as principais morfologias de cristais de

xidos/hidrxidos de ferro.(14)
Forma Ilustrao
Tipo Caractersticas
Textura Esquemtica
. Cristais muito
pequenos,
Hematita < 0.01 mm.
Microcristalina . Textura porosa.
. Contatos pouco
desenvolvidos.
. Cristais eudricos
isolados ou em
Magnetita agregados.
. Cristais compac-
tos.
. Hematita com
hbito de magne-
tita.
. Oxidao segundo
Martita os planos crista-
logrficos da mag-
netita.
. Geralmente po-
rosa.
. Formatos irregu-
lares inequidi-
Hematita mensionais.
Lobular . Contatos irregula-
res, geralmente
imbricados.
. Formatos regula-
res equidimen-
sionais.
Hematita . Contatos retil-
Granular neos e junes
trplices.
. Cristais compac-
tos.
. Cristais inequidi-
mensionais, hbi-
Hematita to tabular.
Lamelar . Contato retilneo.
. Cristais compac-
tos.
. Material cripto-
Hidrxidos de cristalino.
Fe (Goethita- . Estrutura colofor-
me, hbito botri-
Limonita) oidal.
. Textura porosa.
Figura 2.2: Hematita: (a) e (b) Imagens de fragmentos do mineral; (c) Estru-
tura trigonal-hexagonal visualizando os planos; (d) Modelo de bolas e varetas
da cela unitria.(4, 31)
ambiente.(4, 33)
Existem relacionamentos estruturais entre certos planos na estrutura da
hematita e planos em outros xidos de ferro, especialmente com a magnetita
e a goethita (Tabela 2.5). H, por exemplo, um relacionamento entre o plano
(111) da magnetita e o plano (001) da hematita. Com isso algumas vezes pode-
se observar nucleao e crescimento de magnetita no plano (001) da hematita.
Do mesmo modo, como resultado da afinidade estrutural entre os planos (100)
da goethita e o plano (003) da hematita, pode ocorrer um crescimento epitaxial
de goethita na hematita.(4)
A hematita um material opaco no MLR, porm em lamelas muito finas
e em luz transmitida vermelha sangunea escura, e pode apresentar dicrosmo
de vermelho acastanhado a vermelho amarelado. Este mineral tem um coefi-
ciente de reflexo mdio de 25%-32% no ar.(34) Contudo, a propriedade tica
mais importante deste mineral para o presente trabalho sua birrefletncia
devido forte anisotropia que ele apresenta. Assim, sua reflexo e, conse-
quentemente, o seu brilho na imagem mudam com diferentes orientaes dos
cristais com relao ao plano de incidncia da luz.(5) Este efeito ainda pode
ser ampliado quando usada luz polarizada no MLR.
Tabela 2.5: Orientaes estruturais entre os xidos de ferro.(4)

Par de Frmula Plano Direo
xidos Qumica Cristalogrfico Cristalogrfica
Goethita F eO(OH) (100)(004)(200) [100]
Hematita F e2 O3 (003)(110)(100) [100]
Hematita F e2 O3 (001) [100]
Magnetita F e3 O4 (111) [110]
Lepidocrocita F eO(OH) (100) [001][051]
Maghemita F e2 O3 (001) [110][111]
2.2
Microscopia Digital
Podemos definir a MD como a integrao entre o microscpio e o
computador, oferecendo automao do microscpio, aquisio e anlise digital
de imagens. Esta rea, alm de permitir a automao, fornece novos recursos
para a caracterizao microestrutural.(35)
Alguns sistemas totalmente controlados por software e com ambiente de
programao permitem uma automao completa.(36) Exemplos disto so:
. Uso de rotinas para o controle da platina motorizada;(37)
. Troca de lentes;
. Correo de defeitos na aquisio;(38, 39)
. Autofoco;(40, 41)
. Foco estendido;(42, 43)
. Ajuste automtico da iluminao e cor;(44, 45)
. Controle dos filtros e dos diafragmas;
. Varredura da amostra com aquisio automtica de imagens e;
. Obteno de mosaico ou campo estendido.(46)
Algumas destas rotinas vm includas em softwares comerciais de aqui-

sio e anlise de imagens, como o KS400, o AxioVision e o SIS, apenas para
nomear alguns.(47, 48, 49) O Laboratrio de MD da PUC-Rio (LMD) conta
com dois microscpios ticos motorizados, Zeiss AxioPlan 2 e Zeiss AxioIma-
ger.M2m, com cmeras digitais, Zeiss AxioCam HRc e Zeiss AxioCam MRc5
respectivamente, automatizados com o software AxioVision.(50)
O desenvolvimento de cmeras coloridas CCD (Charge-Coupled Device)

e a integrao do controle por computador do conjunto cmera/microscpio,
facilitou a aquisio automtica de imagens.(35, 51) Entenda-se por aquisio
automtica de imagem uma rotina que faz uma varredura da amostra, captu-
rando imagens de campos adjacentes ou espaados, de forma automtica. Esse
tipo de rotina foi implementada em softwares comerciais de aquisio e anlise
de imagens. Alm da maior velocidade e praticidade, o mtodo automtico
reprodutvel e evita a ocorrncia de erros por fadiga do operador, como a
repetio e a sobreposio de campos.(52)
A MD, alm de permitir certo grau de automao, abriu novas possibili-
dades para a caracterizao microestrutural.(35)
Vrias tcnicas quantitativas j vinham sendo utilizadas na caracteriza-
o de amostras de minrio de ferro.(11) Entre estas tcnicas encontra-se a
difratometria de raios X, a espectroscopia Mssbauer, a anlise de imagens
obtidas tanto por microscopia tica como eletrnica, entre outras.(6, 7, 8, 32,
53, 54, 55, 56, 57, 58, 59, 500, 501)
A microscopia tica de luz transmitida, para minerais transparentes, e de
luz refletida, para minerais opacos, provavelmente o mtodo mais tradicional
de identificao mineralgica.(60) Esta tcnica uma ferramenta adequada,
uma vez que permite obter dados sobre a porosidade, associaes minerais,
liberao mineral, forma das partculas, distribuio por tamanho e textura,
entre outras.(30)
Recentemente, alguns autores aplicaram uma tcnica de anlise de tex-
tura em imagens adquiridas com luz polarizada para classificar fases de minrio
de ferro.(58) Embora com algumas limitaes, a metodologia desenvolvida por
eles foi promissora na identificao de cristais de hematita. Esta metodologia se
baseia no processamento de imagens para determinar fronteiras de cristais de
hematita onde um conjunto de sete imagens, por campo, adquirido girando
o polarizador em pequenos intervalos angulares.
Outros autores tambm fizeram uso da luz polarizada na identificao e
anlise de minerais e rochas.(30, 61, 62, 63, 64) de particular importncia
o fato de que este tipo de iluminao produz contraste entre cristais com
orientaes diferentes no espao. Isto possibilita a visualizao dos cristais,
geralmente impossveis de serem vistos com iluminao convencional em campo
claro (Figura 2.3).
A Figura 2.3 mostra duas imagens de um mesmo campo de uma amos-
tra de minrio de ferro adquiridas no MLR, a primeira em campo claro (Fi-
gura 2.3a) e a segunda sob luz polarizada (Figura 2.3b). Na imagem sem pola-
rizao dois cristais adjacentes so indicados, em azul, como 1 e 2. Neste caso
Figura 2.3: Variao de brilho entre dois cristais adjacentes: (a) Imagem em
campo claro; (b) Imagem com polarizao de um mesmo campo.(65)
quase no pode ser observada uma diferena de brilho, embora na imagem com
polarizao a diferena de brilho entre esses mesmos cristais seja muito alta.
Assim, fica evidente a importncia da luz polarizada, no mbito da microsco-
pia tica da luz refletida, para identificar cristais de hematita em minrios de
ferro.
2.2.1
Polarizao da Luz
A luz pode ser tratada como uma onda eletromagntica transversal, ou
seja, os vetores intensidade do campo eltrico (E) ~ e intensidade do campo
magntico (H)
~ so ortogonais entre si. A luz vibra no s num plano, mas em
todos os planos simultaneamente, portanto h planos de ondas em todos os
ngulos (Figura 2.4). Este tipo de luz conhecida como luz natural ou luz no
polarizada.(66)
A luz polarizada, diferente da luz natural, vibra num plano s (plano
de polarizao) e o os vetores E ~ e H~ so normais direo de propagao
como mostra a Figura 2.5. Isto pode ser demostrado atravs das equaes de
Maxwell onde, aps algumas consideraes e simplificaes, pode-se chegar s
seguintes equaes de ondas:
~ = 0 0 2 ~
2 E E (2-1)
t2
2
~ = 0 0 H
2 H ~ (2-2)
t2
sendo que 0 a permeabilidade magntica do vcuo e 0 a permeabili-

dade eltrica do vcuo.
Figura 2.4: Luz natural com os diferentes comprimentos de onda corresponden-

tes a cada cor. Neste caso s foi representada a intensidade do campo eltrico
para facilitar a visualizao.(67)
As solues das equaes (2-1) e (2-2) seriam:
~ =E
E ~x + E
~y (2-3)
~ =H
H ~x + H~y (2-4)
~ = E0x x exp[i(~k~z wt)] + E0y y exp[i(~k~z wt)]
E (2-5)
~ = H0x x exp[i(~k~z wt)] + H0y y exp[i(~k~z wt)]
H (2-6)
~ = (E0x x + E0y y) exp[i(~k~z wt)]
E (2-7)
tomando a parte real do vetor, temos que:
~ = (E0x x + E0y y) cos(~k~z wt)

E (2-8)
~ =E
E ~ 0 cos(~k~z wt) (2-9)
~ = (H0x x + H0y y) cos(~k~z wt)
H (2-10)
H ~ 0 cos(~k~z wt)
~ =H (2-11)
onde w
k
=c= 1
0 0
(c a velocidade da luz no vcuo, k o mdulo do vetor
Figura 2.5: Propagao de uma onda plana linearmente polarizada. Neste

caso s foi representada a intensidade do campo eltrico para facilitar a
visualizao.(68)
de onda, w a frequncia e t o tempo). Portanto, a onda resultante tem uma

amplitude fixa igual a E
~ 0 = E0x x+E0y y para a intensidade do campo eltrico e
~ 0 = H0x x+H0y y para a intensidade do campo magntico ou seja, ela tambm
H
linearmente polarizada. Assim, a onda resultante E ~ (e consequentemente H) ~
oscila ao longo de um plano inclinado, como mostra a Figura 2.5, segundo uma
cossenoide no tempo.
A luz, alm de ser linearmente polarizada, tambm pode ser circular
e elipticamente polarizada. A polarizao circular um caso particular da
polarizao elptica porm, esta ltima, no ser detalhada por no ter sido
utilizada neste trabalho.
No caso da polarizao linear, a projeo do vetor E ~ sobre o plano xy
descreve um segmento de reta. No entanto, quando ambas ondas constitutivas
tm a mesma amplitude (ou seja, E0x = E0y = E0 e consequentemente H0x
= H0y = H0 ) a projeo ser uma circunferncia. Neste tipo de polarizao, a
soma de dois campos E ~x e E~ y (e consequentemente de H ~x e H~ y ) se propaga na
direo z com a mesma frequncia e vetor de onda, porm com uma desfasagem
de =/2 (Figura 2.6).
Neste caso, a soluo das equaes (2-1) e (2-2) seria:
Figura 2.6: Propagao de uma onda com polarizao circular. Neste caso s foi
representada a intensidade do campo eltrico para facilitar a visualizao.(69)
~ =E
E ~x + E
~y (2-12)
~ =H
H ~x + H~y (2-13)
~ = E0 x exp[i(~k~z wt)] + E0 y exp[i(~k~z wt + /2)]
E (2-14)
~ = H0 x exp[i(~k~z wt)] + H0 y exp[i(~k~z wt + /2)]
H (2-15)
tomando a parte real do vetor, temos que:
~ = E0 x cos(~k~z wt) + E0 y cos(~k~z wt + /2)

E (2-16)
~ = H0 x cos(~k~z wt) + H0 y cos(~k~z wt + /2)
H (2-17)
~ = E0 x cos(~k~z wt) + E0 y sin(~k~z wt)
E (2-18)
~ = H0 x cos(~k~z wt) + H0 y sin(~k~z wt)
H (2-19)
~ x = E0 x cos(~k~z wt)
E (2-20)
~ x = H0 x cos(~k~z wt)
H (2-21)
~ y = E0 y sin(~k~z wt)
E (2-22)
~ y = H0 y sin(~k~z wt)
H (2-23)
q
~ =
kEk (E
~ x )2 + (E
~ y )2 = E 0 (2-24)
q
~ =
kHk (H
~ x )2 + ( H
~ y )2 = H0 (2-25)
onde x e y so os vetores unitrios na direo x e y, respectivamente.

Pode-se observar que as amplitudes escalares de E ~ eH~ so contantes. Contudo,
as direes dos vetores variam no espao e tempo, girando no sentido horrio,
e sua projeo no plano xy descreve uma circunferncia (Figura 2.6).
Microscpios com polarizao so poderosos instrumentos analticos em
estudos petrogrficos e anlise de minrios.(50) Quando um mineral anisotr-
pico, composto por cristais com orientaes diferentes, observado ao micros-
cpio de luz polarizada, se faz visvel a diferena de brilho ente os cristais.
Os microscpios com polarizao linear so dotados de dois polarizadores
designados de polarizador e analisador. Nos microscpios modernos, estes
polarizadores so constitudos de placas de polarides. Um polaride formado
por um composto qumico orgnico (lcool polivinlico) embebido em iodo
e estirado segundo uma certa direo. Desta forma as longas molculas do
material so alinhadas, assim o iodo se liga s cadeias alongadas das molculas
polimricas. Deste modo, os elctrons dos ons de iodo podem deslocar-se ao
longo das cadeias moleculares, tal como num fio condutor.
A componente do campo E, ~ da luz natural incidente, paralela s molcu-
las executa trabalho sobre os elctrons e absorvida. Assim, o eixo de trans-
misso do polaride normal orientao das molculas. A luz linearmente
polarizada incide na amostra e refletida. Um segundo polaride (o analisador)
deixar passar apenas a componente do campo eltrico que vibra na direo de
seu eixo de transmisso. Desta forma, se E ~ 0 a intensidade do campo eltrico
determinada pelo polarizador somente sua componente E ~ 0 cos(), paralela ao
eixo de transmisso do analisador, passar pelo analisador. Neste caso, o
ngulo entre os eixos de transmisso do polarizador e o analisador. Um exemplo
de imagem obtida por polarizao linear pode ser observada na Figura 2.7b.
Por outro lado, alguns microscpios ticos modernos, alm da polarizao
linear da luz, permitem tambm a polarizao circular.(70) O microscpio
usado no presente trabalho conta com um sistema tico composto por um
polarizador, um analisador e duas placas de um quarto de onda, colocados em
um refletor. Ambos os lados do refletor, entrada e sada de luz, so constitudos
por uma combinao de polarizador e placa de um quarto de onda, fixados
transversalmente.
Deste modo, a luz no-polarizada passa pelo polarizador, tornando-se
linearmente polarizada. Ento, a luz linearmente polarizada incide na primeira
placa de um quarto de onda, orientada com um ngulo de 45 em relao
ao plano de polarizao da luz incidente. Essa placa divide a luz em duas
componentes com uma diferena de fase de 90. A combinao dessas duas
ondas linearmente polarizadas, de mesma amplitude e defasadas de 90, resulta
Figura 2.7: Variao de brilho entre cristais adjacentes: (a) Imagem em campo
claro; (b) Imagem com polarizao linear; (c) Imagem com polarizao circular,
de um mesmo campo.
em uma onda circularmente polarizada, como mostrado na Figura 2.6.(71)

A luz circularmente polarizada incide na amostra e refletida. Ento,
a luz refletida passa pela segunda placa de um quarto de onda, que orien-
tada ortogonalmente primeira. A segunda placa converte a luz circularmente
polarizada em linearmente polarizada, com uma orientao diferente da do po-
larizador. Em seguida, essa luz passa pelo analisador e segue para a cmera.(71)
Na imagem resultante da polarizao circular, no h ponto de extino,
pois todas as orientaes de polarizao esto presentes.(71) A polarizao
circular uma inovadora tcnica em microscopia de materiais, permitindo
melhorar o contraste na imagem. Alm disso, as cores no variam com a rotao
da amostra. Assim, objetos que costumavam ser visveis apenas em uma certa
direo agora podem ser vistas em sua totalidade (Figura 2.7), independente
de sua orientao e sem rotao da platina.(50)
Na Figura 2.7 pode-se observar trs imagens de um mesmo campo de

uma amostra de minrio de ferro, a primeira em campo claro (Figura 2.7a),
a segunda com polarizao linear (Figura 2.7b) e a terceira com polarizao
circular (Figura 2.7c). Aps observar os pares de pontos indicados em vermelho
(1-1, 2-2, 3-3 e 4-4), nas Figuras 2.7b e 2.7c, fica evidente a superioridade
de contraste da luz circularmente polarizada. Cristais com o mesmo brilho
na Figura 2.7b foram totalmente diferenados na Figura 2.7c. A formao de
contraste entre os cristais de hematita, por luz polarizada, desempenha um
papel central no mtodo de segmentao de cristais proposto neste trabalho.
2.3
Processamento e Anlise Digital de Imagens
O Processamento Digital de Imagens (PDI) uma tcnica que utiliza
operaes matemticas para alterar os valores dos pixels de uma imagem di-
gital, modificando-a para facilitar sua visualizao e anlise. Por sua vez, a
Anlise Digital de Imagens (ADI) consiste na extrao e tratamento de dados
quantitativos de imagens digitais. Deste modo, utiliza-se o termo Processa-
mento e Anlise Digital de Imagens (PADI) para englobar as duas tcnicas
anteriores.(72)
A Figura 2.8 apresenta a sequncia padro de PADI.(35, 52, 72, 73) Esta
sequncia est dividida em trs blocos bsicos:
(i) A aquisio, que envolve a formao e a digitalizao da imagem;
(ii) O PDI, no qual encontra-se a etapa de pr-processamento, que tem como

objetivo melhorar a qualidade da imagem para facilitar sua visualizao
e anlise e;
(iii) E finalmente a ADI, onde finalmente ocorre a identificao dos objetos

dos quais so extrados e tratados os dados quantitativos. Neste bloco
encontram-se as etapas de segmentao, ps-processamento, extrao de
atributos e reconhecimento e classificao.
Nos lados da sequncia padro aparecem setas que indicam o nvel

semntico dos dados sobre os quais se trabalha. No pr-processamento e na
segmentao, opera-se diretamente sobre os pixels da imagem, gerando-se uma
imagem com objetos, representados por regies de pixels contguos de mesmo
valor. No ps-processamento trabalha-se sobre os objetos que sero medidos na
extrao de atributos. A partir da, na etapa de reconhecimento e classificao,
trabalha-se com estas medidas, gerando dados de mais alto nvel.
Figura 2.8: Sequncia padro de PADI por etapas.(52)
Esta sequncia padro tem sido discutida amplamente em trabalhos

prvios do grupo, por isso s as etapas e suas rotinas de interesse para este
trabalho sero abordadas a seguir.(35, 52, 72, 73, 74)
2.3.1
Pr-processamento
A etapa de pr-processamento o primeiro passo depois da aquisio da
imagem. Esta etapa tem como objetivo melhorar a qualidade da imagem, seja
corrigindo defeitos gerados durante a aquisio ou seja realando detalhes de
interesse especfico.
2.3.1.1
Registro de imagem
A primeira coisa a se fazer quando vrias imagens de um mesmo campo
so capturadas com diferentes sensores ou com um mesmo sensor, porm sob
diferentes condies de captura, um registro espacial das mesmas.(75) O
registro um importante passo, no pr-processamento, a fim de criar imagens
geometricamente iguais com uma coerncia pixel a pixel.
O registro de imagem normalmente utilizado em sensoriamento remoto,
na medicina, na cartografia, em processamento digital de imagens, entre outras.
Durante as ltimas dcadas, os dispositivos de aquisio de imagens passaram
por um rpido desenvolvimento. Assim, uma crescente e diversa quantidade de
imagens estavam sendo obtidas, invocando pesquisas sobre registro automtico
de imagem.(76) Existe na literatura uma grande variedade de trabalhos

relacionados com o registro de imagens, baseados em diferentes princpios e
com emprego em diversas aplicaes.(75, 76, 77, 78, 79, 80, 81, 82, 83)
O registro basicamente consiste em corrigir o alinhamento geomtrico de
duas ou mais imagens de um mesmo campo. Para isto, toma-se uma imagem
como referncia enquanto as outras so registradas a ela. O registro consiste
em encontrar uma transformao capaz de remapear as posies dos pixels
da imagem registrada de modo que a rea sobreposta esteja alinhada com a
imagem de referncia.(77)
Contudo, a transformao capaz de remapear as posies dos pixels
das duas imagens pode ser bastante complexa. Esta transformao pode
ser composta por uma combinao de transformaes de basicamente seis
naturezas distintas:
. Translao;
. Rotao;
. Escala;
. Paralelismo;
. Projeo e;
. Outras distores como curvas, distores locais, etc.(52)
A Figura 2.9 apresenta estas diferentes transformaes, mostrando cla-

ramente seu efeito em uma imagem exemplo.
Figura 2.9: Possveis transformaes em registro de imagens.(52)
Historicamente as transformaes tm sido classificada como rgidas ou

no-rgidas. Uma transformao denominada rgida quando apenas trans-
laes e rotaes so permitidas. Este tipo de transformao tambm co-
nhecida como transformaes euclidianas, j que as distncias euclidianas so
preservadas. Por oposio, as demais transformaes so definidas como no-

rgidas.(52) No caso particular deste trabalho s de interesse as transforma-
es rgidas.
No obstante, a primeira coisa a se fazer para registrar uma imagem
encontrar pontos em comum entre a imagem de referncia e a imagem
a ser registrada. Estes pontos so chamados de pontos de controle (regies
fechadas, arestas, contornos, intersees de linhas, cantos, etc). A partir destes
pontos estimam-se os parmetros do modelo de transformao que ir a gerar
a imagem registrada que ser sobreposta imagem de referncia.(76)
A Figura 2.10 mostra um exemplo simples de registro de imagem. Nela
encontra-se a imagem de referncia (Figura 2.10a) e a imagem a ser registrada
(Figura 2.10b). Em ambas imagens foram marcados ou desenhados alguns
possveis pontos de controle que poderiam ser usados na gerao da imagem
registrada (Figura 2.10c). Alguns autores afirmam que para conseguir um
registro necessrio pelo menos encontrar 3 pontos de controle entre a imagem
de referncia e a imagem a ser registrada.(84) Claro est que quanto maior seja
a quantidade de pontos, maior ser a qualidade do registro em si.(77)
Figura 2.10: Possveis pontos de controle: (a) Imagem de referncia e (b)

Imagem a ser registrada; (c) Imagem registrada.
Existe uma tcnica de processamento de imagens que permite a deteco

e extrao de pontos de controle invariveis a rudo de imagem, rotao, tras-

lao, escala, e de forma parcial a mudanas de iluminao e de perspectivas,
chamada transformada SIFT (Scale Invariant Feature Transform). A transfor-
mada SIFT tem demonstrado ser muito eficiente ao gerar grande nmero de
pontos de controle que conseguem cobrir densamente uma imagem.(85)
Vrios softwares usam a transformada SIFT no registro de imagens, entre
eles o FIJI. O FIJI um verstil software livre de processamento digital de
imagens, que pode ser descrito como uma distribuio do ImageJ, desenvolvido
pelo National Institutes of Health dos Estados Unidos. A versatilidade do FIJI
est dada pela sua natureza, pois ele um software composto por plugins
organizados em uma estrutura de menu coerente. Como software livre ele
permite que experientes desenvolvedores em Java possam criar novos plugins.
Ao mesmo tempo, ele oferece um ambiente de programao mais simples
atravs de uma interface de script.(86)
Outros softwares de processamento digital de imagem tambm usam o
registro de imagem entre suas rotinas. de particular interesse o software
comercial AxioVision. Uma das aplicaes do registro de imagens por este
software na fabricao de mosaicos. Esta tcnica tem como restrio um
alinhamento imperfeito entre as direes x e y da platina do microscpio
e da imagem formada pela cmera, fazendo com que os campos capturados
fiquem desalinhados.(74) O AxioVision resolve este problema atravs de uma
funo chamada Stitching, a qual se baseia no registro de imagens para
alinhar os ladrilhos do mosaico. Alm disso, este software tem outra funo
chamada Geometric Correction que permite registrar imagens a uma imagem
de referncia.(48)
2.3.1.2
Delineao
Outra operao comum de pr-processamento a delineao. Imagens
obtidas por microscopia tica apresentam valores de tonalidades intermedi-
rios nas bordas dos objetos, devido a restries de resoluo do sistema de
formao da imagem. Assim, as fronteiras dos objetos em lugar de serem uma
linha de transio abrupta passam a ser uma faixa de transio suave entre
as tonalidades vizinhas.(87) Isto traz como consequncia que, na hora de seg-
mentar os objetos, seja gerada uma fase espria em forma de "halo"ao redor
dos objetos. Este fenmeno conhecido como "efeito halo"e dificulta o correto
reconhecimento de regies numa imagem.(52)
Este problema comumente reduzido utilizando uma tcnica de deline-
ao. A delineao no mais que um filtro inteligente que varre a imagem
procurando as transies entre fases e virtualmente decidindo a qual fase os

pixels pertencem. Para isto ele cria um limiar (m) onde todos os pixels abaixo
deste limiar pertencem a uma fase e os acima dele pertencem outra (Fi-
gura 2.11). J os pixels que se encontram fora destas faixas de transio ficam
praticamente inalterados.
Figura 2.11: Funo de transformao para o realce do brilho nas bordas dos
objetos.(88)
Um exemplo esquemtico disto pode ser observado na Figura 2.11, onde

dois objetos vizinhos com tonalidades diferentes (preto e branco) apresentam
uma zona de transio (Figura 2.11a). Aps aplicar uma delineao na imagem
a transio passa a ser abrupta (Figura 2.11b), como esperado, aumentando o
contraste entre os objetos.
Assim, esta tcnica empregada com bastante frequncia quando a
separao de objetos na etapa de segmentao crtica. Isto pode ser observado
claramente na Figura 2.12 onde uma imagem multimodal de snter de minrio
de ferro est prestes a ser delineada. Da Figura 2.12a possvel notar que
o contraste entre as fases com tonalidades mais cinzas (silicatos vs. ferritos e
ferritos vs. magnetita) no to bom como o contraste entre a fase mais branca
e o resto (silicatos, ferritos e magnetita) vs. hematita. Aps a delineao pode
ser observado que os vales entre os picos no histograma das fases mais cinzas
diminuram muito. Ao mesmo tempo, na regio ampliada da imagem, percebe-

se um aumento do contraste entre as fases.
Figura 2.12: Delineao: (a) Imagem original, seu histograma e uma viso
ampliada da regio demarcada em vermelho; (b) Imagem delineada, seu
histograma e a ampliao da mesma regio demarcada em vermelho.(74)
2.3.1.3
Filtro Mediana
Os rudos aleatrios aparecem com muita frequncia nas imagens. Estes
rudos podem ser gerados por mal funcionamento dos dispositivos de captura
ou por falta de iluminao.(89) Os pixels corrompidos ou so alterados para
o valor mximo da tonalidade, ou tm s alguns bits alterados, causando uma
diferena brusca de tons entre estes pixels e seus vizinhos. Quando os pixels
so alternadamente modificados para 0 ou o mximo (255 em imagens de 8
bit), este rudo chamado de rudo sal-e-pimenta, devido a sua aparncia.
Para este tipo de rudo o filtro mais eficiente o filtro mediana.(90) A
mediana, alm de eliminar eficientemente o rudo aleatrio, preserva o contorno
dos objetos da imagem.(91) Portanto, este filtro de grande importncia
na etapa de pr-processamento ao eliminar defeitos da adquisio e assim
ajudando na segmentao.
A mediana consiste num kernel (Figura 2.13) de tamanho n m que

ordena os pixels em ordem crescente de intensidade e escolhe como sada o valor
mediano (aquele que esta no centro da sequncia). Como mostra a Figura 2.13,
o pixel central do kernel (245) ser substitudo pelo valor que est no centro
da sequncia ordenada (98). Neste exemplo observasse que quando n m
mpar, a mediana o prprio elemento central da sequncia ordenado. Nos
casos em que n m par, a mediana calculada pela mdia aritmtica dos
dois elementos mais prximos do centro.(92)
Figura 2.13: Exemplo de um filtro mediana de tamanho 3x3.
O filtro mediana pode ser observado em ao na Figura 2.14. Nesta

figura temos uma imagem esquemtica com um rudo do tipo sal-e-pimenta
(Figura 2.14a). Sobre a mesma aplicado um filtro mediana de tamanho 3 3,
onde os pixels com tonalidades muito diferentes dos vizinhos foram eliminados
(Figura 2.14b). Contudo, ainda pode ser observado pequenos defeitos residuais
nas bordas dos objetos e da imagem, isto se deve caracterstica do filtro de
no alterar os contornos dos objetos.
Figura 2.14: Uso do filtro mediana: (a) Imagem esquemtica com rudo sal-e-
pimenta; (b) Imagem esquemtica com rudo reduzido pelo filtro mediana de
tamanho 3x3.(78)
2.3.2
Tcnicas de segmentao
Alguns psiclogos alemes no inicio do sculo XX, Khler, Wertheimer
e Kofftka, introduziram o princpio da segmentao. Eles mostraram que o
ser humano, no nvel da viso, efetua agrupamentos sobre o que ele percebe,
baseados na proximidade, similaridade, e continuidade.(93) Entende-se por
segmentao o processo de diviso de uma imagem em suas partes ou objetos
constituintes, sendo uma das tarefas mais difceis na anlise de imagens.(94)
A segmentao uma tarefa bsica no processo de anlise de imagens,
mas no fcil traduzir para o computador o sofisticado processo de seleo e
agrupamento realizado pela viso humana na identificao de regies semelhan-
tes. Vrias dificuldades esto presentes nesse processo como a complexidade
da textura, a irregularidade da iluminao e as imprecises das regies das
bordas. O problema de segmentao torna-se particularmente difcil devido
textura da imagem. Mtodos de agrupamento baseados na cor podem alcanar
resultados satisfatrios quando as regies que se deseja segmentar so homo-
gneas. Porm, cenas naturais so complexas pela riqueza de variaes tonais
e texturas presentes.(95)
A segmentao de imagens tem sido um problema amplamente discu-
tido no campo de anlise de imagens digitais. Existem diversas tcnicas de
segmentao, dentre as quais se encontram:
(i) Segmentao por faixa tonal ou limiarizao ;(96, 97, 98)
(ii) Segmentao por contornos;(99, 100)
(iii) Segmentao por crescimento de regies;(101, 102)
(iv) Entre outras, tais como watershed, segmentao por textura, segmenta-
o por entropia, etc.(103, 104, 105, 106, 107)
Categoricamente, no existe um mtodo ideal e genrico de segmentao

que seja sempre o melhor.(52) A segmentao costuma ser a etapa crtica da
sequncia padro de PADI. Uma segmentao adequada praticamente garante
o sucesso no reconhecimento e na identificao dos objetos de interesse sobre
os quais ser feita a anlise.(88)
2.3.2.1
Limiarizao
A tcnica de segmentao mais simples e a mais utilizada a segmentao
por faixa tonal, tambm chamada limiarizao ou thresholding. A limiarizao
usa o tom dos pixels para separar objetos (regies de pixels contguos com tons
dentro de uma faixa tonal delimitada) de outros usando um limiar ou tom de
corte.(72) Este mtodo implementado de forma interativa na maior parte das
vezes, porm alguns autores tem se esforado por criar inovadores mtodos de
limiarizao automtica.(98, 108)
No caso de diferenar objetos de um fundo, utiliza-se a limiarizao
bimodal, a qual discrimina duas fases na imagem, o fundo e os objetos. Esta
segmentao parte da hiptese de que a imagem apresenta um histograma
bimodal e, portanto, que os objetos podem ser separados do fundo por uma
simples operao que compara o tom dos pixels da imagem com um valor
de limiar (L). Supondo que a imagem f (x, y) corresponda a um histograma
bimodal, ento a imagem segmentada g(x, y) seria definida como:

1 se (x, y) > L
g(x, y) = (2-26)
0 se (x, y) L
O resultado da limiarizao seria uma imagem binaria, onde os pixels com

valor 1 correspondem aos objetos, enquanto os pixels com valor 0 correspondem
ao fundo.
A Figura 2.15 mostra um exemplo simples de segmentao por faixa
tonal. Uma imagem de minrio de ferro (Figura 2.15a), em 256 tons por canal
RGB, obtida por microscopia tica, segmentada por limiarizao bimodal.
Gera-se uma imagem binria (Figura 2.15b), atravs do tom de corte (L=132)
indicado em seu histograma (Figura 2.15c), e a fase mais clara (hematita)
separada do resto da imagem. Neste caso especfico, por razes metodolgicas,
o histograma mostrado pertence apenas a um canal da imagem RGB.
A tcnica de limiarizao tambm aplicvel se for necessrio discriminar
mais de uma faixa tonal na imagem, pois ela no est restrita apenas a duas
fases. Este tipo de limiarizao conhecido como limiarizao multimodal e
gera tantas imagens binrias quantas fases sejam segmentadas. Neste caso os
pixels brancos da imagem binria formam a fase de interesse, que fica entre os
dois tons de corte, e o fundo preto o resto. Assim, supondo que a imagem
f (x, y) corresponda a um histograma multimodal ento, neste caso, a imagem
segmentada g(x, y) seria definida como:
Figura 2.15: Exemplo de limiarizao bimodal: (a) Imagem original; (b)

Imagem binria; (c) Tom de corte no histograma.

1 se Li < (x, y) Li+1
gi (x, y) = (2-27)
0 se L (x, y) > L
i i+1
onde gi (x, y) seria a i esima imagem binaria pertencente i esima

fase e;
n
g(x, y) = gi (x, y) (2-28)
[
i=1
o resultado final da limiarizao multimodal, onde os pixels com valor 1

correspondem s fases de interesse, enquanto os pixels com valor 0 corres-
pondem ao resto.
A Figura 2.16 mostra um exemplo de limiarizao multimodal para

distinguir cinco fases. Uma imagem de snter de minrio de ferro (Figura 2.16a)
segmentada por limiarizao pentamodal, gerando uma imagem com 5 faixas
(Figura 2.16b) atravs dos quatros tons de corte (L=32, L=74, L=134, L=170)
mostrados em seu histograma (Figura 2.16c). A cada faixa foi atribuda uma
cor, para facilitar a visualizao, correspondente cor do histograma entre
seus respectivos tons de cortes.
Figura 2.16: Exemplo de limiarizao pentamodal: (a) Imagem original em 256

tons de cinza; (b) Imagem quinria com as fases diferenadas com cores; (c)
Tons de corte no histograma.(74)
2.3.2.2
Segmentao por Contornos
Um contorno uma mudana brusca da tonalidade entre duas regies
relativamente homogneas. Ele pode aparecer como uma sequncia de pontos,
uma linha, um segmento, uma curva ou uma forte variao do nvel de cinza
mdio.(88)
Uma das tcnicas de deteco de bordas mais usadas consiste no proces-
samento de uma imagem a partir de um operador de derivada local. Exemplos
destes operadores so o gradiente e o laplaciano, operadores de derivada de
primeira e segunda ordem, frequentemente utilizados nas tcnicas de deteco
de bordas.(88)
A segmentao por contornos simula o funcionamento da viso humana.
Ela detecta as bordas dos objetos, a partir das quais constri seus contornos,
considerando como objeto a regio dentro do contorno.(72)
Entre as tcnicas de segmentao por contornos, uma das mais conhecidas
a proposta por Canny.(100) Este autor desenvolveu um processo de deteco
de bordas a partir de critrios de quantificao de desempenho de operadores
de bordas conhecidos como os critrios de deteco e de localizao. Estes
critrios de desempenho ainda esto sujeitos ao critrio de resposta mltipla,
que corresponde ao fato de que deve existir, na sada do operador, uma nica
resposta para uma nica borda. Para que os critrios sejam aproximadamente
atendidos, Canny aproxima o operador timo, obtido a partir dos trs critrios
de desempenho, pela primeira derivada da funo Gaussiana. Em complemento
a este operador foram propostos dois processos conhecidos como:
(i) Supresso no mxima (supresso de valores de pixels que no forem m-

ximos locais na direo transversal borda), que causaria um afinamento
da borda, atendendo injuno de resposta mltipla; e
(ii) Uma limiarizao adaptativa (histerese) com complementao de bor-

das", para eliminar a fragmentao dos contornos das bordas.(109)
A Figura 2.17 mostra um exemplo de deteco de borda. Uma imagem

em luz polarizada de minrio de ferro (Figura 2.17a) obtida por microscopia
tica, segmentada pelo mtodo de Canny. Gera-se uma imagem binria
(Figura 2.17b) com as bordas dos cristais de hematita. Contudo, este mtodo
sensvel aos riscos, s bordas esprias provenientes de rudo e textura da
imagem, conforme indicado pelas setas verdes nas imagens da Figura 2.17. Por
outro lado, o mtodo do Canny gera muitas bordas descontnuas.
Figura 2.17: Exemplo de deteco de bordas pelo mtodo de Canny: (a)

Imagem original; (b) Imagem binria com as bordas dos cristais de hematita.
2.3.2.3
Crescimento de Regies
Algoritmos de segmentao por crescimento de regies agrupam pixels
ou sub-regies em regies maiores, partindo de um conjunto de pontos iniciais
(sementes) que crescem anexando pixels ou regies adjacentes que possuam
propriedades similares, como, por exemplo, tom de cinza, textura ou cor.(110)
Porm, o que define o tipo de crescimento de regies o critrio de parada
do algoritmo. No presente trabalho sero usados dois tipos de crescimento de

regies:
(i) Crescimento de regies usando a distncia espectral como parmetro de

cor e;
(ii) Crescimento de regies usando a heterogeneidade como parmetro de

textura.
Inicialmente, vai ser explicado o mtodo tradicional de crescimento de

regies. A formulao bsica adotada para este tipo de abordagem dada
considerando I como uma imagem onde a segmentao a decomposio de I
em n regies R1 , R2 , ..., Rn de tal forma que:
n
I= (2-29)
[
Ri
i=1
Ri uma regio conexa, 1, 2, ..., n (2-30)

Rj = i 6= j (2-31)
\
Ri
P (Ri ) = verdadeiro i (2-32)

Rj = falso i 6= j (2-33)
\
P Ri
Pode existir um nmero de possveis parties, mas a seleo de um

conjunto adequado de regies depende da escolha da propriedade P associada
regio, ou seja, do predicado de uniformidade dos pixels da regio.(88)
A tcnica consiste nas seguintes etapas:
(i) Escolha dos pixels-sementes (pontos ou simplesmente sementes);
(ii) Escolha do limiar que separar as regies; e
(iii) Crescimento das regies.
A escolha dos pixels-sementes geralmente feita baseando-se na natureza

do problema. A escolha destes pontos importante, pois as regies crescero
ao redor deles.
Para entender bem o mtodo, vai ser utilizado um exemplo. Neste
exemplo trabalha-se com dois cenrios: o primeiro com duas sementes, cada
uma, com o valor mnimo e mximo do tom de cinza da imagem. J no segundo
cenrio ser usada uma terceira semente com o valor mdio dos tons de cinza
da imagem.
Como anteriormente definido, o crescimento das regies em si consiste
em se fazer o agrupamento de pixels por similaridade baseado em alguns
critrios como intensidade dos tons de cinza, textura, cor, etc. Aqui, utilizada
a intensidade dos tons de cinza como exemplo. Ento pode-se dizer que:
Se | P (x, y) P (x1 , y1 ) |< t, ento P (x, y) R1 seno, (2-34)

Se | P (x, y) P (x2 , y2 ) |< t, ento P (x, y) R2 seno, (2-35)
...
Se | P (x, y) P (xn , yn ) |< t, ento P (x, y) Rn ; (2-36)
onde P (x, y) a intensidade de cinza em um ponto (x, y) da tabela de

intensidades; n so as sementes; Ri , com 1 6 i 6 n, so as regies e; t o valor
do limiar.
Um exemplo simples do funcionamento do crescimento de regies clssico
pode ser observado na Figura 2.18. Na Figura 2.18a pode-se observar uma
imagem em tom de cinza onde so tomados como sementes os pontos P (1, 1) =
0 e P (2, 3) = 7. Como se pode observar, estas sementes representam os
extremos da faixa tonal da imagem, isso combinado com um limiar t = 3
faz com que alguns pixels no sejam includos em nenhuma das duas regies
possveis (R1 e R2 ) (Figura 2.18b). Contudo, se for tomada uma terceira
semente P (4, 4) = 3 e for mantido com o mesmo limiar t = 3, seria criada
uma terceira regio (R3 ) incluindo os pixels antes rejeitados (Figura 2.18c).
interessante tambm notar que, se for escolhido um valor de limiar mais alto,
por exemplo t = 8, s haveria uma regio no exemplo em questo. Esse exemplo
serve para mostrar a importncia de uma escolha adequada dos limiares, bem
como dos pixels-sementes para ter o sucesso esperado no mtodo de crescimento
de regies.
2.3.3
Ps-processamento
Frequentemente o resultado da segmentao no to bom quanto
esperado, sendo necessrio aplicar rotinas de ps-processamento para corrigir
os defeitos recorrentes da segmentao. Estas rotinas generalmente se baseiam
na implementao de operaes lgicas e morfolgicas.
2.3.3.1
Operaes Lgicas
Na segmentao a imagem binarizada, ou seja, cada pixel que compe
a imagem ou bem branco (com valor 1 ou 255 dependendo do software), ou
bem preto (com valor 0). Assim, resulta fcil imaginar que operaes lgicas
Figura 2.18: Exemplo de crescimento de regies com t = 3: (a) Imagem em

tons de cinza; (b) Duas regies (R1 e R2 ) separadas com n = 2 sementes (em
vermelho); (c) Trs regies (R1 , R2 e R3 ) separadas com n = 3 sementes (em
vermelho).
(tambm conhecidas como operaes booleanas em homenagem a seu criador

Boole) possam ser aplicadas entre os pixels das imagens.
As operaes lgicas so operaes pontuais entre imagens binrias,
realizadas por operadores lgicos () que varrem as imagens de entrada,
operando pixel a pixel, gerando uma imagem de sada (Figura 2.19) onde cada
pixel preservado ou invertido.(72) Ou seja:
AB=C (2-37)
onde A, B e C so imagens e um operador lgico (AND, OR, XOR).
Figura 2.19: Operaes lgicas pixel a pixel.
As trs operaes lgicas bsicas so o complemento (NOT), a unio

(OR) e a interseco (AND), a partir das quais qualquer outra operao
lgica pode ser definida. Na Figura 2.20 pode ser observado como a operao
NOT inverte todos os pixels da imagem de entrada, gerando uma imagem de
sada que seu negativo. Ao mesmo tempo, a operao OR realiza a unio

das duas imagens de entrada, produzindo uma imagem de sada onde so
brancos somente os pixels que so brancos em pelo menos uma das imagens de
entrada. Finalmente, a operao AND faz a interseco entre as duas imagens
de entrada, produzindo uma imagem de sada onde so brancos somente os
pixels que so brancos em ambas as imagens de entrada.
Figura 2.20: Operaes lgicas bsicas (NOT, OR e AND).
Outra operao lgica, derivada dessas operaes bsicas, tambm bas-

tante utilizada, o OR exclusivo (XOR). Esta operao no mais que a
interseco entre a sada de um OR e o complemento da sada de um AND.
Ou seja:
(A) XOR (B) = {(A) OR (B)} AN D {N OT [(A) AN D (B)]} (2-38)
Na Figura 2.21 pode ser observado como a operao XOR gera uma
imagem de sada onde unicamente so brancos aqueles pixels que eram brancos
em somente uma das imagens de entrada. Na prtica, o operador XOR calcula
a diferena entre as duas imagens binrias (no confundir com a operao de
subtrao).
Figura 2.21: Operao lgica XOR.
Como pode ser observado, os operadores AND, OR e XOR requerem duas

imagens de entrada e geram uma imagem de sada. Porm, no caso particular
do operador NOT somente requer uma imagem de entrada para gerar uma
imagem de sada. Assim, podem-se criar infinitas combinaes lgicas com
estes operadores a fim de corrigir defeitos da segmentao em imagens binrias.
Contudo, bom ter presente a importncia da ordem dos operadores, deste
modo de vital importncia o uso de parntesis para esclarecer a ordem e
prioridade das operaes.
At aqui vimos o uso dos operadores lgicos em imagens binrias, porm
eles tambm podem ser usados em imagens em tom de cinza. O uso de uma
imagem binria como mscara para modificar uma imagem em tom de cinza
uma prtica comum no processamento de imagens.
2.3.3.2
Operaes Morfolgicas
A morfologia matemtica concentra seus esforos no estudo das estru-
turas geomtricas das entidades presentes numa imagem.(111) As operaes
morfolgicas podem ser aplicadas em vrias reas de processamento e anlise
de imagens, com objetivos to distintos como realce, filtragem, segmentao,
deteco de bordas, esqueletizao, afinamento, dentre outras.(91)

Assim como as operaes lgicas, as operaes morfolgicas tambm tm
suas operaes bsicas (traslao, reflexo, complemento, eroso e dilatao).
Estas operaes consistem em extrair as informaes relativas geometria
dos objetos de uma imagem, apoiando-se numa pequena imagem binria,
denominada elemento estruturante. O elemento estruturante varre a imagem
de entrada, preservando ou invertendo o valor do pixel central da vizinhana,
na imagem de sada, em funo de seus vizinhos.(72) Portanto, a base das
operaes morfolgicas a teoria de conjuntos. Neste caso particular em
que tanto as imagens de entrada como o elemento estruturante so imagens
binrias, os conjuntos em questo pertencem ao espao inteiro bidimensional
(Z2 ).
Primeiramente procederemos a fazer as definies das operaes morfo-
lgicas bsicas entre os conjuntos A e B, pertencentes ao espao Z2 , onde a e
b so suas respectivas componentes. O conjunto A normalmente atribudo
imagem de entrada, quanto o conjunto B normalmente atribudo ao elemento
estruturante.
A primeira definio a traslao de A (Ax ) em x gerando a imagem
C.(88) Ou seja:
Ax = {c; c = a + x a A} (2-39)
A reflexo de B (B), por sua vez, seria:
B = {c; c = b b B} (2-40)
O complemento de A (Ac ):
Ac = {c; c
/ A} (2-41)
A eroso de A por B (A B):
A B = {c; Bx A} (2-42)
o que, em outras palavras, significa que a eroso de A por B resulta no

conjunto dos pontos c, da imagem de sada, tais que B, trasladado (Bx ), est
contido em A.
Finalmente a dilatao de A por B (A B):
n h i o
A B = c; (B)x A A (2-43)
ou seja, o processo de dilatao consiste em obter primeiramente a

reflexo de B sobre sua origem e depois sua traslao ((B)x ). Deste modo,
a dilatao de A por B o conjunto dos pontos c, da imagem de sada, para
os quais a interseco de (B)x e A est contido em A.
A eroso e a dilatao podem ser observadas mais facilmente na Fi-
gura 2.22, onde uma imagem esquemtica (A), de 12x12 pixel, erodida (C )
e dilatada (D) pelo elemento estruturante (B), de 3x3 pixel.
Figura 2.22: Eroso e Dilatao.
bom ressaltar que alguns softwares de processamento digital de imagens

permitem ao usurio criar seus prprios elementos estruturantes.(112) Estes
elementos estruturantes podem ter as mais variadas formas e tamanhos, sendo
a escolha do mais adequado determinada somente em funo do problema. No
caso particular deste exemplo (Figura 2.22) o elemento estruturante usado (B)
chamado de elemento de conectividade 4. Isto se deve ao fato de que ele define

uma vizinhana 3x3, sendo considerados vizinhos do pixel central somente
os 4 pixels adjacentes a ele na horizontal e na vertical. Um outro elemento
estruturante, tambm muito utilizado e que tambm define uma vizinhana
3x3, o elemento de conectividade 8. Neste caso todos os 8 pixels adjacentes
ao pixel central so considerados seus vizinhos.
Combinando estas operaes morfolgicas bsicas podem-se criar outras
novas e importantes operaes morfolgicas. Duas das mais importantes so a
abertura e o fechamento (Figura 2.23).
Figura 2.23: Abertura e Fechamento.
A abertura de um conjunto A por um elemento estruturante B (A B)

definida como:
A B = (A B) B (2-44)
o que equivale a dizer que a abertura de A por B simplesmente a eroso

de A por B seguida de uma dilatao do resultado por B.
O fechamento de um conjunto A por um elemento estruturante B (A

B) definido como:
A B = (A B) B (2-45)
ou seja, o fechamento no mais que a dilatao de A por B seguida da

eroso do resultado pelo mesmo elemento estruturante B.
Como pode ser observado na Figura 2.23, a abertura em geral suaviza
o contorno de uma imagem, elimina faixas estreitas, assim como objetos
pequenos. Por sua vez, o fechamento pode preencher trincas ou buracos
pequenos e at conectar objetos prximos.
bom ressaltar que estas operaes morfolgicas podem ser aplicadas k
vezes sobre uma mesma imagem. Desta forma pode-se, por exemplo, reduzir o
tamanho de um objeto numa imagem binria atravs de mltiplas eroses at
chegar ao resultado desejado. Outro exemplo poderia ser aplicar uma abertura
de k passos para eliminar pequenos objetos esprios.
A eroso derradeira um bom exemplo de iterao sucessiva de operaes
morfolgicas. Esta tcnica consiste em simplesmente erodir os objetos de uma
imagem usando a Equao 2-42 at que um prximo passo os eliminaria.
Esta tcnica pode ser utilizada, por exemplo, para localizar sementes de
objetos que mais tarde viriam a ser usadas na segmentao por crescimento de
regies.(65)
O preenchimento de buracos outra das operao morfolgicas comu-
mente utilizadas na anlises de imagens. Neste caso, entenda-se como buraco
o interior de um subconjunto fechado (contorno), de pixels brancos (1) de co-
nectividade 8, que pertence ao conjunto A. Assim, partindo de um ponto X0
situado dentro do contorno, o que se deseja preencher o interior do mesmo
com pixels brancos. Assumindo que todos os pontos que no pertencem ao
contorno so pixels pretos (0), ser atribudo o valor 1 a X0 para iniciar o pro-
cedimento, e assim por todos os pontos Xk do interior contorno at preencher
a regio com pixels brancos. Ou seja:
Xk = (Xk1 B) Ac (2-46)
onde k = 1, 2, 3, ... e B o mesmo elemento estruturante da Figura 2.23.

O algoritmo termina na k-sima iterao se Xk = Xk1 .
O afinamento similar eroso derradeira, porm com a condio de
no remover pixels que quebrariam o objeto em dois. Assim, o afinamento de
um conjunto A por um elemento estruturante B (A B) pode ser definido

como:
A B = A [(A b1 ) (Ac b2 )]c (2-47)
onde B=(b1 ,b2 ) sendo que b1 o conjunto dos elementos de B associado

com os pixels brancos e b2 o conjunto dos elementos de B associado com os
pixels pretos.
At aqui, todas as operaes morfolgicas foram definidas usando um
elemento estruturante. Contudo, o uso de um elemento estruturante nem
sempre a melhor escolha. O problema que os elementos estruturantes
deformam os objetos, dando-lhes a forma deste elemento, transformando
contornos suaves em contornos angulosos. Porm, existem outras formas de
criar estes operadores morfolgicos a partir do clculo do Mapa de Distncias
Euclidianas (MDE).
O MDE uma ferramenta, que diferentemente das operaes morfolgi-
cas anteriores, s pode ser usada em imagens binrias, produzindo uma imagem
em tom de cinza como imagem de sada.(113) A definio desta tcnica bas-
tante simples, ela consiste em atribuir um valor tonal a cada pixel proporcional
sua menor distncia da borda do objeto (Figura 2.24b).
Como pode ser observado na Figura 2.24, a partir da imagem binria
de entrada (Figura 2.24a), o calculo do MDE gera uma imagem de sada
em tons de cinza (Figura 2.24b), mantendo os pixels do fundo em preto e
atribuindo, a cada pixel dos objetos, o valor, aproximado ou truncado, da
distncia euclideana deste pixel ao pixel mais prximo da borda do objeto.
A partir daqui, as operaes morfolgicas podem ser feitas com uma simples
linearizao da imagem MDE. Foi assim que uma eroso de passo 2 foi aplicada
nela, tomando como limiar inferior e superior da segmentao os valores 1 e 8,
respectivamente (Figura 2.24c).
No caso particular da dilatao, precisa-se inverter (NOT) primeiramente
a imagem binria, depois calcular o MDE, limiarizar o MDE e finalmente
inverter a imagem segmentada. Desta forma, com ajuda da eroso e dilatao
euclideanas, podem-se criar os operadores morfolgicos restantes.
As operaes baseadas no MDE apresentam um custo computacional
maior que as anteriores. Contudo, este mtodo realiza a propagao de ma-
neira verdadeiramente radial, afetando menos a forma dos objetos e sendo
independentes de sua rotao na imagem. De fato, as operaes morfolgicas
baseadas no MDE so mais acuradas.(72)
Figura 2.24: Exemplo esquemtico do uso de MDE: (a) Imagem binria; (b)
Imagem MDE; (c) Eroso de passo 2.
Finalmente, outra operao morfolgica que se baseia no MDE o

mtodo do divisor de guas.(103) Este mtodo muito usado para separar
objetos que se tocam, ou parcialmente superpostos, na imagem. Este um
problema muito comum, derivado de uma segmentao incompleta, o que faz
com que este mtodo seja uma ferramenta muito importante na etapa de ps-
processamento.(114)
O mtodo do divisor de guas se baseia no crescimento de sementes dos
objetos para visar sua separao. Para isto, calcula-se o MDE (Figura 2.25b)
da imagem binria de entrada (Figura 2.25a). Este MDE ser usado para obter
as sementes dos objetos (Figura 2.25c) atravs de uma eroso derradeira da
imagem binria de entrada. Finalmente, aplicada uma dilatao derradeira
acima das sementes, porm com a condio de que os objetos no voltem a se
unir, para assim separar os objetos (Figura 2.25d).
Cada iterao da dilatao ser equivalente eroso anteriormente
sofrida, adicionando contornos com a espessura de um pixel semente, exceto
aqueles pixels que eventualmente poderiam unir objetos. Este processo permite
que os objetos cresam at seu tamanho original conservando sua forma e
separados por linhas de 1 pixel de espessura.
A ideia do nome mtodo do divisor de guas surgiu pela aparente
topografia observada numa imagem MDE, que assemelha os objetos com
Figura 2.25: Mtodo dos divisores de gua: (a) Imagem binria inicial; (b)
Imagem MDE; (c) Imagem sementes; (d) Imagem binria com os objetos
separados.
montanhas, onde quanto maior a distncia de um pixel borda do objeto,

maior ser a sua altura. Quando dois objetos se tocam, formam-se dois picos,
um vale entre eles uma linha que os separa. A ideia ento seria fazer passar
gua pela linha com o fim de separar as montanhas, da o nome divisor de
guas.
2.3.4
Extrao de Atributos
Na etapa de extrao de atributos onde fica mais marcada a diferena
entre processamento e anlise de imagem. Nesta etapa onde ocorre a extrao
da informao dos objetos da imagem. Alm disso, caractersticas dos objetos
e da imagem so medidas.(114) Existem basicamente duas classes de medidas:
(i) Medidas de campo, que so as medidas feitas na imagem como um todo

e
(ii) Medidas de regio, que so medidas feitas independentemente em cada

objeto.
Algumas das medidas de campo usadas com maior frequncia so:
. Contagem de objetos;
. rea total de objetos;
. Frao de rea;
. entre outras.
A contagem de objeto consiste em contar as reges de pixels contguos

com a mesma tonalidade, que correspondem aos objetos numa imagem binria.
Este tipo de medida o mais fcil de ser implementado, porm problemas de
conectividade podem eventualmente gerar erros (Figura 2.26).
Figura 2.26: Separao de objetos numa imagem binria dependendo do tipo

de conectividade entre pixels: (a) Imagem binria inicial; (b) Objetos separados
com conectividade 4; (c) Objetos no separados com conectividade 8.(115)
Este problema pode ser observado na Figura 2.26, onde uma imagem
binria tem dois objetos que se tocam (Figura 2.26a). Estes objetos so sepa-
rados em dois objetos diferentes (1 e 2) usando uma contagem de conectividade
4 (Figura 2.26b). Em contrapartida, o uso de uma conectividade 8 leva a con-
tagem de um objeto s (Figura 2.26c). A escolha de qual conectividade usar
vai depender somente do problema em questo.
No caso da rea total dos objetos, tambm uma medida fcil de se
implementar, j que ela se baseia na contagem dos pixels brancos na imagem
binria. Esta rea serve para calcular a frao de rea do campo ocupada por
objetos. Para isto, calcula-se a razo entre o nmero de pixels brancos (rea
total dos objetos) e o nmero total de pixels (rea da imagem) na imagem
binria. Como pode ser notado, a frao de rea do campo adimensional com
valores entre 0 e 1.
Da mesma forma, nesta etapa so usadas medidas de regio, tais como:
. rea;
. Posio (Equao (2-48));
. Permetro (Equao (2-49));
. Ferets (feret mximo e mnimo);
. Razo de aspectos (Equao (2-50));
. Fator de forma circular (Equao (2-51));
. Circularidade (Equao (2-52));
. Convexidade (Equao (2-55));
. Solidez (Equao (2-56));
. entre outras.
A rea (A), como nas medidas de campo, calculada simplesmente

contando o nmero total de pixels de cada objeto da imagem binria. Porm
existem outras variantes de reas, como rea preenchida e rea convexa (Ac ).
A rea preenchida calculada da mesma forma que a rea, s que neste caso,
tambm contam-se os pixels dos poros internos aos objetos. Por sua vez a rea
convexa consiste na rea obtida aps tornar o objeto convexo. Esta medida
equivalente rea definida por um elstico passado em torno do objeto.
A posio de um objeto numa imagem binria pode ser descrita por vrias
formas diferentes, umas mais simples de serem calculadas que as outras. Por
exemplo, as coordenadas de seu centro de gravidade e as medidas relativas ao

retngulo circunscrito, ou seja, as maiores e menores coordenadas dos pixels nas
direes horizontais e verticais. No entanto, as medidas relativas ao retngulo
circunscrito podem ser muito sensveis a possveis rotaes dos objetos, assim
as coordenadas do centro de gravidade (CGx , CGy ) descrevem melhor a posio
do objeto.(114) Ou seja:
n
P
xi
CGx = i=1
Area
(2-48)
n
P
yi
CGy = i=1
Area
onde xi e yi so as coordenadas do i-simo pixel e Area o nmero total

de pixels brancos do objeto.
Por outro lado, o permetro pode ser calculado somando o nmero de
passos na horizontal, vertical ou diagonal dados de cada pixel para o seguinte
at percorrer todo o contorno do objeto da imagem binria. Ou seja:

P =N+ 2Nd (2-49)
onde N o nmero de passos horizontais ou verticais e Nd o nmero

de passos diagonais. No caso do permetro, o permetro dos poros internos
do objeto tambm so considerados. Em contrapartida, no caso do permetro
preenchido s considerado o permetro do contorno do objeto. Finalmente no
permetro convexo (Pc ) s considerado o permetro do elstico passado em
torno do objeto.
Um exemplo do clculo do permetro pode ser observado na Figura 2.27.
Neste caso N = 12 + 4 = 16 passos e Nd = 16 + 4 = 20 passos, ento

P = 16 + 20 2 = 44, 3 passos. Desta forma pode-se dizer que, segundo a
Equao (2-49), o permetro do objeto de 44, 3 pixel.
Os ferets mximos e mnimos equivalem s projees mximas e mnimas
do objeto, caracterizando assim sua dimenso externa. Por sua vez, a razo
entre o feret mnimo e feret mximo uma boa medida do alongamento do
objeto. Ou seja:
Fmin
RA = (2-50)
Fmax
Figura 2.27: Clculo do permetro de um objeto atravs dos passos horizontais,

verticais e diagonais.
onde Fmin o feret mnimo e Fmax o feret mximo.

Por sua vez, o fator de forma circular parte da relao que existe entre
o permetro e a rea de um crculo (P 2 = 4A). Esta relao s ser uma
igualdade para o caso do crculo, j para qualquer outra forma geomtrica do
objeto teremos que P 2 > 4A. Desta relao surge o fator de forma circular
como:
4A
FFC = (2-51)
P2
que uma boa medida da suavidade dos contornos dos objetos, devido
a sua forte dependncia do permetro. Onde A a rea preenchida e P
o permetro obtido pela Equao (2-49). Caso se deseje um fator de forma
circular mais sensvel ao alongamento do objeto e menos dependente da
suavidade do contorno, ento basta substituir P 2 por (Fmax )2 , como:
4A
F F Cc = (2-52)
(Fmax )2
onde A a rea preenchida e Fmax o feret mximo. Este novo fator de

forma circular chamado de circularidade (F F Cc ). Outras variantes do fator
de forma circular so:
4A
F F Cm = (2-53)
P (Fmax )
e
16A2
F F Cg = (2-54)
P (Fmax )3
onde F F Cm chamado de fator de forma circular modificado.(121) Da

mesma forma, F F Cg chamado de fator de forma circular grum.(502)
Finalmente os objetos podem ser definidos por sua concavidade atravs
da convexidade (C) e da solidez (S), de modo que:
Pc
C= (2-55)
P
A
S= (2-56)
Ac
onde, Pc e Ac so o permetro e a rea convexa, respectivamente.

Como j deve ter sido notado, os fatores de forma so adimensionais
derivados das medidas geomtricas bsicas (rea, permetro, ferets, etc). Eles
geralmente tem valores entre 0 e 1, sendo 1 para formas padres (geomtricas
regulares) e valores menores para formas irregulares. No caso do F F C vale
1 para objetos circulares e apresenta valor menor para objetos com outras
formas.
A fim de caracterizar a forma de um objeto a partir do conceito de alon-
gamento so utilizados alguns fatores adimensionais de forma mais genricos,
que no visam comparar sua forma a um modelo especfico. Um destes fatores
de forma a RA, a mesma inversamente proporcional ao alongamento, sendo
igual a 0 quando ele tende ao infinito.
Tambm possvel descrever um objeto como cncavo ou convexo com
os fatores de forma C e S, o primeiro dependente do permetro e o segundo da
rea. Estes fatores de forma tm valores iguais a 1 quando o objeto convexo
e diminuem com a presena da concavidade. Ao mesmo tempo, por depender
do permetro, C mais sensvel suavidade do contorno que S.
Na Figura 2.28 pode-se observar a influncia das propriedades de alonga-
mento e suavidade do contorno em alguns fatores adimensionais de forma.(114)
Nota-se que os objetos da esquerda (A, C e E) so facetados, enquanto que os
direita (B, D e F) possuem contornos mais suaves. Assim, os objetos A, C
e E apresentaram valores prximos a 0, 32 e 0, 72 no fator de forma circular e
convexidade, respectivamente. Os objetos B, D e F apresentaram valores prxi-
mos a 0, 47 e 0, 81, para esses mesmos parmetros. Alm disso, o alongamento

dos objetos diminui de cima para baixo, de modo que h claramente trs nveis
de razo de aspecto, caractersticos para os pares A-B, C-D, e E-F.(72, 114)
Figura 2.28: Comparao de fatores adimensionais de forma.(114)
2.3.5
Reconhecimento e Classificao
A etapa de reconhecimento e classificao a etapa final da sequncia
padro de PADI. Durante essa etapa realizado o tratamento dos dados
quantitativos obtidos na etapa anterior, interpretando-os, de modo a fornecer
um resultado de mais alto nvel, similar ao processo de reconhecimento de
padres realizado pelo crebro humano.
Segundo o dicionrio Houaiss, a definio da palavra reconhecer
tomar conhecimento de novo ou em outra situao, distinguir os traos
caractersticos de algum ou algo; caracterizar, identificar, distinguir (algum
ou algo) por certos caracteres.(116) O reconhecimento pode-se acontecer por
identidade ou por semelhana. No reconhecimento por identidade um objeto,
previamente conhecido, identificado. Por outro lado, o reconhecimento por
semelhana ocorre quando um objeto identificado como membro de uma
classe atravs de traos caractersticos. Deste modo, o reconhecimento pode
ser visto como um processo de classificao.(30)
As tcnicas de reconhecimento de padres so usadas para classificar
objetos atravs de um conjunto de propriedades ou caractersticas comuns a
cada classe de objetos.(117) O reconhecimento de padres por computadores
parte importante da inteligncia artificial. Estes sistemas bem podem ser
usados por uma pessoa para restringir sua ateno a um conjunto de casos
selecionados pelo sistema, ou bem para automatizar completamente o processo
de tomada de deciso, sem necessidade de intervir pessoalmente.(30)
O crescimento acelerado e disponibilidade de capacidade computacional
tornam mais rpido o processamento de grandes conjuntos de dados, alm de
facilitar o uso de mtodos elaborados e variados para anlise e classificao des-
tes dados. Computadores, s vezes, so melhores classificadores que as pessoas,
devido a que eles no se distraem com variaes aleatrias de parmetros no
crticos e conseguem extrair comportamentos estatsticos significativos para
isolar grupos.(114)
Em contrapartida, as pessoas geralmente ainda so mais rpidas no
reconhecimento de padres que os computadores.(114) Ao mesmo tempo, a
quantidade de dados a serem processados vem aumentando com o tempo, o que
tem gerado tambm um aumento da demanda por melhorias no desempenho
das tcnicas de reconhecimento de padres, tanto em velocidade como em
exatido e custo.
Um padro pode ser descrito matematicamente como um vetor cujas
componentes so caractersticas numricas dos objetos de interesse, as quais
so obtidas por meio de um conjunto de observaes.(118, 119) O problema de
reconhecimento colocado como uma tarefa de classificao ou categorizao
dos padres.
Por outro lado, as classes so definidas como um conjunto de padres
semelhantes entre si. Estas classes podem ser identificadas como regies do
espao de caractersticas onde muito provvel encontrar pontos representa-
tivos dos objetos. Isto significa que quando so extradas as caractersticas de
um conjunto de objetos pertencentes mesma classe, os pontos representati-
vos destes no espao de caractersticas devem agrupar-se mantendo entre si
distncias menores do que aquelas que se medem em relao a objetos perten-
centes a outras classes. Desta forma so formados agrupamentos, aglomerados
ou clusters.(30)
Os sistemas de classificao so divididos, conforme a participao ou no
do usurio, em supervisionados ou no supervisionados (Figura 2.29).(119)
Os sistemas de classificao supervisionados so aqueles em que o usurio
define as classes rotulando objetos que lhe so apresentados. Neste caso, as
classes so conhecidas ou previamente determinadas pelo usurio do sistema
de classificao. Os sistemas de classificao no-supervisionados so aqueles
em que a semelhana entre os padres estabelecida pelo sistema, o qual
identifica quantas e quais so as classes. Este tipo de sistema usado quando
as classes so desconhecidas ou precisa-se de um sistema de classificao sem
a interveno do usurio.(52)
Figura 2.29: Tipos de sistemas de classificao utilizando os parmetros

caractersticos FFC e RA: (a) Classificao supervisionada; (b) Classificao
no-supervisionada.
A Figura 2.29a ilustra um sistema supervisionado. Nela pode-se obser-

var um conjunto de objetos representados em um espao de caractersticas
bidimensional (razo de aspecto vs. fator de forma circular). Como a legenda
indica, estes objetos so conhecidos e foram previamente rotulados (classe 1,
classe 2, classe 3 e classe 4). Tanto a morfologia dos objetos quanto o espao de
caractersticas bidimensional foram escolhidos intencionalmente assim. Desta
maneira o objeto desconhecido fica mais prximo da classe 2 que do resto,
como indicam os comprimentos das setas (distncia classe 2 < distncia
classe 1 < distncia classe 4 < distncia classe 3).
Assim, a partir desta base de conhecimento, pode ser atribuda uma classe
a um objeto desconhecido atravs de um procedimento de classificao super-
visionada. Portanto, o objeto desconhecido classificado como pertencente
classe 2. O critrio utilizado a proximidade, no espao de caractersticas, aos
objetos desta classe.
A Figura 2.29b mostra a classificao no-supervisionada. Neste caso,
os padres dos objetos so desconhecidos. Contudo, um procedimento de
classificao no-supervisionada procura por objetos similares e os agrupa
em classes. Neste caso, apesar de no conhecer a morfologia dos objetos, o
classificador consegue separ-los em quatro classes diferentes, como no exemplo
anterior. Contudo, os sistemas no-supervisionados escapam do escopo deste
trabalho.
2.3.5.1
Conjunto de treinamento
O conjunto de treinamento um conjunto de objetos previamente iden-
tificado pelo usurio. Este conjunto de treinamento deve ser estatisticamente
grande, com o intuito de aumentar a preciso do classificador, alm de apre-
sentar grande variabilidade dentro de cada classe para assim poder garantir
uma boa representatividade.
Como poder ser observado mais na frente, o conjunto de treinamento
precisa crescer exponencialmente com o aumento da dimensionalidade do
espao de caractersticas.(120) Outros autores definem que o conjunto de
treinamento deve aumentar em dez vezes por classe, com o aumento da
dimensionalidade do espao de caractersticas.(119) Contudo, nem sempre
possvel obter mais objetos conhecidos para ampliar o conjunto de treinamento.
2.3.5.2
Conjunto de caractersticas
A escolha do conjunto de caractersticas feita a partir da observao
dos atributos que melhor representam as classes no conjunto de treinamento. O
conjunto de atributos que define o espao de caractersticas deve caracterizar
bem os objetos, agrupando os objetos similares e separando os distintos. Este
conjunto deve ser sensvel o bastante para descriminar todas as classes.
Raramente uma nica caracterstica separa mais de duas classes, sendo
geralmente utilizadas vrias caractersticas. Porm, um nmero de caracters-
ticas muito grande em relao ao tamanho do conjunto de treinamento pode
acarrear problemas de dimensionalidade. Um espao de caractersticas com di-
mensionalidade muito alta torna o sistema mais complexo, consumindo maior
tempo no treinamento e ainda podendo reduzir a capacidade de generaliza-
o do sistema.(121) Assim, de crucial importncia realizar uma cuidadosa
escolha do conjunto de caractersticas.
Na verdade, a alta dimensionalidade um problema bastante recorrente
no reconhecimento de padres, chegando a ser chamada de maldio da
dimensionalidade. Assim, vrias tcnicas foram desenvolvidas com o intuito
de reduzir a dimensionalidade do espao de caractersticas com a esperana de
obter problemas mais simples. Um exemplo disto a Anlise Discriminante
Linear (LDA).(120)
Fica claro que a dimensionalidade poderia ser reduzida de d dimenses
para 1 dimenso se for possvel projetar as d dimenses numa linha formando
clusters devidamente separados. Este exatamente o objetivo da anlise dis-
criminante linear, que serve de base para as tcnicas de Anlise Discriminante
de Fisher (FDA) e a Anlise de Componentes Principais (PCA), tambm co-

nhecida como Transformada de Karhunen-Love (KLT). Estes mtodos so
dos mais populares usados para a reduo da dimensionalidade, porm outros
mtodos como o Escalonamento Multidimensional (MDS) tambm podem ser
teis.(117, 122) No presente trabalho foram usadas as tcnicas PCA e FDA.
2.3.5.3
Classificadores
Os classificadores so funes que utilizam como entrada os padres
desconhecidos, e como sada as classes a que estes padres provavelmente
pertencem. Os classificadores podem ser divididos em dois tipos principais:
os estatsticos (paramtricos e no paramtricos) e os conexionistas (redes
neurais).(52)
Os classificadores estatsticos no paramtricos so os mais simples. Eles
utilizam uma funo de distncia como medida de similaridade, atribuindo um
objeto desconhecido classe mais prxima dele no espao de caractersticas.
Dois dos classificadores no paramtricos comumente empregados so o de
Distncia Euclideana e o de Distncia de Mahalanobis.
Antes de entrar em detalhes acerca dos classificadores estatsticos,
sero definidas algumas nomenclaturas e conceitos a serem usados. Seja
w1 , w2 , ..., wW um padro de classe que contem algumas propriedades em co-
mum, onde W o nmero total de classes. Da mesma forma x um padro
de caractersticas, que no mais que um vetor de n componentes:

x1
x2

x= .. (2-57)

.

xn
onde cada componente, xk , representa a k-sima medida de um total de

n medidas (Seo 2.3.4) associadas ao padro.
Para finalizar, ser definida a funo discriminante (d) que vai separar
as classes (w) decidindo a que classe pertence um determinado padro de
caractersticas. Assim, a fronteira de separao entre as classes wi e wj ser
dada pelo valor x para o qual:
di (x) = dj (x) (2-58)
ou seja,
di (x) dj (x) = 0 (2-59)
Assim, uma prtica comum identificar a fronteira de separao entre

duas classes como:
dij (x) = di (x) dj (x) = 0 (2-60)
Desta forma dij (x) > 0 para objetos pertencentes classe wi e dij (x) < 0
para objetos pertencentes classe wj . Tendo claro estes conceitos, pode-se
detalhar alguns classificadores de interesse.
O classificador de Distncia Euclideana, tambm conhecido como classi-
ficador de distncia mnima, consiste em primeiramente calcular a mdia da
classe wi :
1 X W
xi = xi (2-61)
Ni i=1
onde Ni o nmero total de padres de caractersticas pertencentes

classe wi . Assim, para determinar a classe a qual pertence um padro de
caractersticas desconhecido x, calcula-se a distncia mnima ou distncia
euclideana da seguinte forma:
Di (x) =k x xi k (2-62)
ento:
Di2 (x) = (x xi )T (x xi ) (2-63)
Deste modo, o objeto ser atribudo classe mais prxima dele. Fazendo
uso da definio de funo discriminante e da Equao 2-63, aps algumas
simplificaes temos que:
1
di (x) = xT xi xTi xi (2-64)
2
Finalmente, das Equaes 2-60 e 2-64, a funo discriminante que vai

separar as classes wi e wj atravs do classificador de distncias euclideana :
1
dij (x) = xT (xi xj ) (xi xj )T (xi xj ) = 0 (2-65)
2
Como pode ser observado, o classificador de distncia euclideana s d

garantias de bons resultados caso todas as classes tenham a mesma varincia
em todas as caractersticas. assim que o classificador de distncia de
Mahalanobis, embora seja muito parecido ao de distncia euclideana, atende
melhor este problema. Para isto, ele normaliza a distncia subtraindo cada
caracterstica por sua mdia e dividindo-a pelo desvio padro, segundo:
|x |
x = (2-66)

Desta modo, generalizando para um padro de caractersticas, obtm-se

a distncia de Mahalanobis de forma similar Equao 2-63, ou seja:
Di2 (x) = (x xi )T 1
i (x xi ) (2-67)
onde i a matriz de covarincia da classe wi , definida como:
1 W
i = (x xi ) (x xi )T (2-68)
X
(Ni 1) i=1
onde Ni o nmero total de padres de caractersticas pertencentes

classe wi .
Um dos classificadores estatsticos paramtricos mais usados o classifi-
cador de Bayes, tambm conhecido como classificador bayesiano. Este consiste
em minimizar a probabilidade mdia de erro total na classificao.(88) Assim,
seja P (wi ) a probabilidade a priori de ocorrncia da classe wi (i = 1, 2, ..., W ),
tal que:
W
P (wi ) = 1 (2-69)
X
i=1
e p(x|wi ) a densidade de probabilidade de uma caractersticas x que vem

de uma classe wi conhecida, ento p(x) seria a densidade de probabilidade de
uma caractersticas x que vem de uma classe desconhecida. Assim temos que:
W
p(x) = p(x|wi )P (wi ) (2-70)
X
i=1
Por sua vez, conhece-se da teoria clssica das probabilidades que:
p(x|wi )P (wi )
P (wi |x) = (2-71)
p(x)
Assim, as regras de classificao de Bayes podem comear a ser definidas

como:
Se P (w1 |x) > P (w2 |x), x pertence classe w1

(2-72)
Se P (w1 |x) < P (w2 |x), x pertence classe w2
Usando a Equao 2-71, as regras ficam como:
Se p(x|w1 )P (w1 ) > p(x|w2 )P (w2 ), x pertence classe w1

(2-73)
Se p(x|w1 )P (w1 ) < p(x|w2 )P (w2 ), x pertence classe w2
onde p(x) no foi levado em considerao j que o mesmo para todas as

classes e isto no afeta deciso. Assim, finalmente, podemos definir a funo
discriminante de Bayes como:
di (x) = p(x|wi )P (wi ) (2-74)
Estes so alguns exemplos de classificadores estatsticos comumente

utilizados. No final, a escolha de tipo de classificador vai depender do problema
em questo e do que estiver disponvel no software.
Por outro lado, os classificadores conexionistas so redes neurais artifici-
ais. As redes neurais constituem classificadores mais complexos, inspirados na
estrutura neural de organismos inteligentes, que aprendem por experincia.(52)
Classificadores baseados nas redes neurais possuem capacidade de se ajustar a

qualquer topologia de classes, o que os tornam muito eficientes nos casos onde
h classes com distribuies mal-comportadas.(88) Contudo, para os proble-
mas de classificao deste trabalho, os classificadores estatsticos so eficazes.
Deste modo, as redes neurais no fazem parte do escopo deste trabalho.
3
Concluso e Trabalhos Futuros
Um sistema de microscopia digital com reconhecimento e classificao

automtica dos cristais de hematita em minrios de ferro foi desenvolvido.
O mtodo utiliza operaes tradicionais de processamento digital de
imagens e prope uma segmentao automtica de cristais baseada no clculo
da distncia espectral, a fim de controlar o crescimento das regies partindo
das sementes. importante salientar que o mtodo de crescimento de regies
proposto muito robusto e capaz de lidar com o grande nmero de sementes
derivado do mtodo de watersheds.
O mtodo proposto tambm envolve tcnicas de microscopia digital,
permitindo a segmentao dos cristais tanto das imagens com polarizao
linear quanto das imagens com polarizao circular.
Os resultados obtidos para ambos os tipos de imagens so muito pro-
missores. A grande maioria dos cristais foi corretamente identificada. Mesmo
cristais adjacentes com cores similares foram corretamente segmentados. O
mtodo completamente automtico com um nico parmetro t para ser ajus-
tado, o qual controla a sensibilidade da distancia Euclidiana do pixel no espao
RGB.
Medidas morfolgicas dos cristais foram obtidas com sucesso. Estas
medidas foram analisadas e estudadas estatisticamente.
Os resultados obtidos para a classificao das classes pertencentes a
ambos os tipos de imagens foram muito bons. Taxas de acerto globais prximas
a 98% foram obtidas, tanto para a autovalidao, quanto para a validao
cruzada.
No entanto, algumas limitaes devem ser apontadas. Dada a sua caracte-
rstica de segmentao, o mtodo tambm sensvel a problemas de preparao
de amostras, tais como problemas de relevo ou arranhes. Isto chama a aten-
o para uma cuidadosa preparao de amostras, sendo que, esta operao
de vital importncia para a realizao de qualquer tipo de anlise de imagens
automtica.
Outro mtodo mais simples de segmentao de cristais tambm foi
desenvolvido. Este mtodo mais veloz em sua etapa automtica, mas exige
uma trabalhosa etapa de ajuste manual, o que o torna menos prtico.
Captulo 3. Concluso e Trabalhos Futuros 71
fundamental tambm comentar que o sistema proposto limitado a

classificar e medir cristais das fases compactas da hematita - granular, lamelar
e lobular - e no se prope a identificar e quantificar hematita microcristalina
e martita. Como comentado na introduo desta tese, um outro enfoque,
denominado mtodo sinttico, busca incluir estas outras classes no sistema
atravs de uma anlise de textura (no sentido da rea de PADI e no no
sentido de textura microestrutural). Resultados preliminares indicam que este
enfoque promissor, sendo capaz de discriminar as 5 classes citadas com boa
taxa de acerto. No entanto, justamente por ter um enfoque sinttico, o mtodo
no capaz de discriminar e medir cristais individuais, o que uma limitao
importante.
Assim, como uma proposta para trabalho futuro, pode-se buscar combi-
nar os dois enfoques. O enfoque sinttico seria capaz de discriminar as fases
compactas e porosas e, em seguida, as fases compactas seriam submetidas ao
mtodo analtico proposto na presente tese, para discriminao e medida dos
parmetros morfolgicos dos cristais individuais.
Referncias bibliogrficas
[1] NOLDIN, J. H. Contribuio ao estudo da cintica de reduo de

briquetes autoredutores. Dissertao de mestrado, Departamento de
Cincia dos Materiais e Metalurgia, Pontifcia Universidade Catlica do Rio
de Janeiro, Rio de Janeiro, 2002.
[2] VIEIRA, C. B.; ARAUJO, F. G. S.; ROSIRE, C. A.; SESHADRI, V.;

COELHO, L. H. Enfoque geometalrgico sobre el control de
calidad del mineral de hierro en procesos de aglomeracin y
reduccin. Acero Latinoamericano, 524:2433, 2011.
[3] VIEIRA, C. B.; ROSIRE, C. A.; SESHADRI, V.; ASSIS, P. S.; COELHO,
L. H.; PENA, H. Q. Geometallurgical approach for quality control
of iron ores for agglomeration in iron and steel industry. In: IN-
TERNATIONAL SYMPOSIUM ON BENEFICIATION AGGLOMERATION
AND ANVIRONMENT ISBAN, p. 17, Bhubaneswar, ndia, 2000.
[4] CORNELL, R. M.; SCHWERTMANN, U. The Iron Oxides: Structure,

Properties, Reactions, Occurrences and Uses. VCH, New York, 2nd
edition, 2003.
[5] CRIDDLE, A. J.; STANLEY, C. J. Quantitative Data File for Ore

Minerals. Chapman & Hall, London (UK), 3rd edition, 1993.
[6] PIRARD, E.; LEBICHOT, S. Image analysis of iron oxides under the
optical microscope. In: INTERNATIONAL CONGRESS ON APPLIED
MINERALOGY: DEVELOPMENTS IN SCIENCE AND TECHNOLOGY -
(ICAM 2004), p. 153156, guas de Lindia, 2004.
[7] DONSKOI, E.; SUTHERS, S. P.; FRADD, S. B.; YOUNG, J. M.; CAMP-
BELL, J. J.; RAYNLYN, T. D.; CLOUT, J. M. F. Utilization of optical
image analysis and automatic texture classification for iron ore
particle characterisation. Minerals Engineering, 20:461471, 2007.
[8] GOMES, O. D. M.; PACIORNIK, S. Iron ore quantitative characteri-

sation through reflected light-scanning electron co-site micros-
copy. In: NINTH INTERNATIONAL CONGRESS FOR APPLIED MINE-
RALOGY, p. 699702, Carlton: The Australasian Institute of Mining and

Metalurgy, 2008.
[9] GOMES, O. D. M.; PACIORNIK, S. Scanning Electron Microscopy,

chapter 16. Multimodal Microscopy for Ore Characterization, p. 313334.
InTech, 2012. Acesso em: Abril de 2012.
[10] VIEIRA, C. B.; ROSIRE, C. A.; PENA, E. Q.; SESHADRI, V.; ASSIS, P.
S. Avaliao tcnica de minrios de ferro para sinterizao nas
siderrgicas e mineraes brasileiras: uma anlise crtica. Rem:
Revista Escola de Minas, 56 (2):97102, 2003.
[11] LIBANEO, C. A. F.; KANEKO, K. M.; COELHO, L. H. T.; PURIFICAO,

E. X. Classificao mineralgica, textural e granulomtrica de
detalhe de minrio de ferro ("pellet feed") e suas implicaes ge-
osiderrgicas. In: III SIMPSIO BRASILEIRO DE MINRIO DE FERRO.
ABM - ASSOCIAO BRASILEIRA DE METALURGIA E MATERIAIS, p.
7078, Ouro Preto, Minas Gerais, 2001.
[12] SANTOS, L. D.; BRANDO, P. R. G. LM, SEM and EDS study

of microstructure of brazilian iron ores. Microscopy and Analysis,
19:1719, 2005.
[13] GRIBBLE, C.; HALL, A. J. Optical Mineralogy: Principles and

practice. UCL Press, London (UK), 1992.
[14] VALE. Caractersticas estruturais dos finos Seca, SECE, e

ALEGRIA que compuseram pilhas de desempenho ruim e
excelente na Usiminas. Relatrio Interno 1, 22p., Vale, 1998.
[15] GOLDICH, S. S. Ages of precambrian banded iron-formations.

Economic Geology, 68 (7):11261134, 1973.
[16] KLEIN, C.; HURLBUT, C. S. Manual of Mineralogy. John Wiley &

Sons, Inc, New York (NY, USA), 21st edition, 1993.
[17] LINDENMAYER, Z. G.; LAUX, J. H.; TEIXEIRA, J. B. G. Consideraes

sobre a origem das formaes ferrferas da formao carajs,
serra dos carajs. Revista Brasileira de Geocincias, 31 (1):2128, 2001.
[18] VIEIRA, C. B.; ARAUJO, F. G. S; SESHADRI, V.; COELHO, L. H.;

ROSIRE, C. A. Geometallurgical approach for quality control
of iron ores for agglomeration and reduction processes. In: 7A
CONFERENCIA DE REDUCCIN DO IAS, p. 1936, Campana (Buenos

Aires, Argentina), 2009.
[19] USGS. Mineral commodity summaries. U.S. Department of the

Interior. U.S. Geological Survey, 2012. Acesso em: Abril de 2012.
[20] IBRAM. Informaes e anlises da economia mineral brasileira.

6a Edio. Instituto Brasileiro de Minerao, 2012. Acesso em: Abril de
2012.
[21] DNPM. Sumrio mineral. Departamento Nacional de Produo Mineral,

2011. Acesso em: Abril de 2012.
[22] FRICK, M. A. D. Caracterizao de minrio de ferro por viso

computacional. Dissertao de mestrado, Universidade Federal de Santa
Maria - UFSM, Rio Grande do Sul, 2008.
[23] GROSS, G. A. Industrial and genetic models for iron ore in

iron formations. In: MINERAL DEPOSIT MODELING: GEOLOGICAL
ASSOCIATION OF CANADA, p. 151170, Special Paper 40, 1993.
[24] IABr. Situao atual e principais desafios. Indstria Brasileira do

Ao, 2011. Acesso em: Abril de 2012.
[25] ROMERO, T. China: crescimento industrial superior a 16% ao

ano pode levar crise de abastecimento energtico. Inovao
Uniemp [online], 2 (4):1215, 2006.
[26] ROSIRE, C. A. Um modelo para a evoluo microestrutural dos

minrios de ferro doQuadriltero Ferrfero. Parte II - Trama,
textura e anisotropia de susceptibilidade magntica. Geonomos,
4 (1):6175, 1996.
[27] ROSIRE, C. A.; VIEIRA, C. B.; SESHADRI, V.; CHEMALE JR., F.

Classificao gentica de minrios de ferro - problemas e vcios
- Proposta de uma classificao tipolgica para indstria. In:
SEMINRIO DE REDUO DE MINRIO DE FERRO DA ABM, p. 295
302, Vitria. Anais, So Paulo, 1997.
[28] POVEROMO, J. J. Iron ores. In: THE AISE STEEL FOUNDATION.

(ED.) IRONMAKING, p. 547550, Pittsburgh, 1999.
[29] TAKEHARA, L. Caracterizao geometalrgica dos principais

minrios de ferro brasileiros - frao sinter feed. Tese de doutorado
em geocincias, Universidade Federal do Rio Grande do Sul, Rio Grande do

Sul, 2004.
[30] ROSA, M. Segmentao de gros de hematita em amostras

de minrio de ferro por anlise de imagens de luz polarizada
avaliao da qualidade intrnseca de minrios de ferro para
uso em altos-fornos. Dissertao mestrado em engenharia de produo,
Universidade Federal de Santa Maria, Rio Grande do Sul, 2008.
[31] BARTHELMY, D. Mineralogy database. Webmineral, 2010. Acesso

em: Abril de 2012.
[32] KNIG, U.; PLLMANN , H.; ANGLICA, R. S. O refinamento de

Rietveld como um mtodo para o controle de qualidade de
minrios de ferro. Rem: Revista Escola de Minas, 55 (2):111114, 2002.
[33] KARUNAKARAN, C.; SENTHILVELAN, S. Fe2O3-photocatalysis with

sunlight and UV light: Oxidation of aniline. Electrochemistry
Communications, 8 (1):95101, 2006.
[34] DEER, W. A.; HOWIE, R. A.; ZUSSMAN, J. Minerais Constituintes

das Rochas. Fundao Calouste Gulbenkian, Lisboa, 2nd edition, 2000.
[35] PACIORNIK, S.; MAURCIO, M. H. P. Digital imaging. In: VANDER-

VOORT, G. F. (ED.). ASM HANDBOOK, V. 9: METALLOGRAPHY AND
MICROSTRUCTURES, p. 368402, Ohio (USA), 2004.
[36] DOLLEISER, M.; HASHEMI-NEZHAD, S. R. A fully automated opti-

cal microscope for analysis of particle tracks in solids. Nuclear
Instruments and Methods in Physics Research B, 198 (1-2):98107, 2002.
[37] HATIBOGLU, C. U.; AKIN, S. A new computerized moving stage

for optical microscopes. Computers & Geosciences, 30 (5):471481,
2004.
[38] LEE, S.; GHANTA, S.; KARP, T. Comparative study of retrospective

methods to reduce non-uniform illumination effects to bridge
coating. Automation in Construction, 22:537544, 2012.
[39] PIRARD, E.; LEBRUN, V.; NIVART, J. F. Optimal acquisition of video

images in reflected light microscopy. Microscopy and Analysis, 37:19
21, 1999.
[40] YEO, T. T. E.; ONG, S. H.; JAYASOORIAH, SINNIAH, R. Autofocusing

for tissue microscopy. Image and Vision Computing, 11 (10):629639,
1993.
[41] SUN, Y.; DUTHALER, S.; NELSON, B. J. Autofocusing in computer

microscopy: Selecting the optimal focus algorithm. Microscopy
Research and Technique, 65:139149, 2004.
[42] GOLDSMITH, N. T. Deep focus: a digital image processing

technique to produce improved focal depth in light microscopy.
Image Anal. Stereol, 19:163167, 2000.
[43] VALDECASAS, A. G.; MARSHALL, D.; BECERRA, J. M.; TERRERO, J.

J. On the extended depth of focus algorithms for bright field
microscopy. Micron, 32 (6):559569, 2001.
[44] YOUNG, I. T. Shading correction: Compensation for illumination

and sensor inhomogeneities. In: CURRENT PROTOCOLS IN CYTO-
METRY, J.P. ROBINSON, ET AL., EDITORS., JOHN WILEY AND SONS,
INC, p. 2.11.12.11.12, New York (NY, USA), 2000.
[45] MCHUGH, S. White balance. White Balance Tutorial, 2012. Acesso em:
Abril de 2012.
[46] BRADLEY, A.; WILDERMOTH, M.; MILLS, P. Virtual microscopy

with extended depth of field. In: PROCEEDINGS OF THE INTER-
NATIONAL CONFERENCE ON DIGITAL IMAGE COMPUTING: TECH-
NIQUES AND APPLICATIONS - DICTA, p. 235242, Cairns (Australia),
2005.
[47] CARL ZEISS VISION GMBH. KS400, 2001. [software, v. 3.0]. Acesso em:
Abril de 2012.
[48] CARL ZEISS MICROIMAGE GMBH. Axiovision, 2010. [software, v.4.8.2].

Acesso em: Abril de 2012.
[49] OLYMPUS SOFT IMAGING SOLUTIONS GMBH. Soft Imaging System

(scandium), 2006. [software, v.3.2]. Acesso em: Abril de 2012.
[50] CARL ZEISS VISION GMBH. Axioskop 40 Pol. Clearly superior,

2012. Acesso em: Abril de 2012.
[51] PIRARD, E. Multispectral imaging of ore minerals in optical

microscopy. Mineralogical Magazine, 68 (2):323333, 2004.
[52] GOMES, O. F. M. Microscopia Co-Localizada: Novas Possibilida-

des na Caracterizao de Minrios. Tese de doutorado, Departamento
de Cincia dos Materiais e Metalurgia, Pontifcia Universidade Catlica do
Rio de Janeiro, Rio de Janeiro, 2007.
[53] FERET, F. Routineanalysis of iron ores by x-ray spectrometry.

Spectrochimica Acta Part B: Atomic Spectroscopy, 37 (4):349357, 1982.
[54] GAVIRA, J. P.; BOH, A.; PASQUEVICH, A.; PASQUEVICH, D. M.

Hematite to magnetite reduction monitored by mssbauer
spectroscopy and x-ray diffraction. Physica B: Condensed Matter,
389 (1):198201, 2007.
[55] COSTA, M. I. JR.; KUNRATH, J. I.; CUNHA, J. B. M.; MORO, J. T.;

ARAJO, J. H. Mssbauer effect characterization of Brazilian
ironores for mining industrial purposes. Nuclear Instruments and
Methods in Physics Research Section B: Beam Interactions with Materials
and Atoms, 76 (1-4):244245, 1993.
[56] GANGULY, B.; HUGGINS, F. E.; RAO, K. R. P. M.; HUFFMAN, G. P.

Determination of the particle-sizedistribution of iron oxide ca-
talysts from superparamagnetic mssbauer relaxation spectra.
Journal of Catalysis, 142 (2):552560, 1993.
[57] NAYAK, P. K.; DAS, D.; VIJAYAN, V.; SINGH, P. CHAKRAVORTTY, V.

57Fe mssbauer and EDXRF studies on three representative
banded iron formations (BIFs) of Orissa, India. Nuclear Instru-
ments and Methods in Physics Research Section B: Beam Interactions with
Materials and Atoms, 184 (4):649654, 2001.
[58] PIRARD, E.; LEBICHOT, S.; KRIER, W. Particle texture analysis

using polarized light imaging and grey level intercepts. Interna-
tional Journal of Mineral Processing, 84:299309, 2007.
[59] DONSKOI, E.; SUTHERS, S. P.; FRADD, S.B.; YOUNG, J. M.; CAMP-
BELL, J. J.; RAYNLYN, T.D.; CLOUT, J. M. F. Utilization of optical
image analysis and automatic texture classification for iron ore
particle characterisation. Minerals Engineering, 20 (5):461471, 2007.
[60] NEUMANN, R.; SCHNEIDER, C. L.; ALCOVER-NETO, A. Caracteriza-

o tecnolgica de minrios. In: LUZ, A. B. ET AL. (ED.). TRATA-
MENTO DE MINRIOS. 4. ED, p. 53109, Centro de Tecnologia Mineral,
Rio de Janeiro, 2004.
[61] HEILBRONNER, R. Automatic grain boundary detection and

grain size analysis using polarization micrographs or orienta-
tion images. Journal of Structural Geology, 22 (7):969981, 2000.
[62] THOMPSON, S.; FUETEN, F.; BOCKUS, D. Mineral identification

using artificial neural networks and the rotating polarizer stage.
Computers & Geosciences, 9 (1):10811089, 2001.
[63] ALVAREZ, J. C.; GOMES, O. F. M.; PACIORNIK, S. Automatic recogni-

tion of hematite grains under polarized reflected light micros-
copy through image analysis. Minerals Engineering, 24 (12):1264
1270, 2011.
[64] CASTRO, N.; WIGUM, B. J. Grain size analysis of quartz in po-

tentially alkali-reactive aggregates for concrete: A comparison
between image analysis and point-counting. In: 10TH INTERNA-
TIONAL CONGRESS FOR APPLIED MINERALOGY (ICAM), p. 103110,
Trondheim, Norway, 2012.
[65] GOMES, O. D. M.; PACIORNIK, S.; ALVAREZ, J. C. A simple metho-

dology for identifying hematite grains under polarized reflec-
ted light microscopy. In: 17TH INTERNATIONAL CONFERENCE ON
SYSTEMS, SIGNALS AND IMAGE PROCESSING - IWSSIP, p. 428431,
Niteri: EdUFF Editora da Universidade Federal Fluminense, Rio de Janeiro,
2010.
[66] HECHT, E. Optics. Addison Wesley, New York (NY, USA), 4th edition,
2002.
[67] JR-WORLDWI.DE. Art Technic, 2012. Acesso em: Junho de 2012.
[68] WIKIPEDIA. Linearly polarized light, 2012. Acesso em: Junho de 2012.
[69] NAVE, R. Polarization concepts, 2012. Acesso em: Junho de 2012.
[70] DANZ, R.; GRETSCHER, P. C-DIC: a new microscopy method for

rational study of phase structures in incident light arrange-
ment. Thin Solid Films, 462463 (2):257262, 2004.
[71] HIGGINS, M. D. Imaging birefringent minerals without extinction

using circularly polarized light. Canadian Mineralogist, 48 (1):231
235, 2010.
[72] GOMES, O. F. M. Processamento e anlise de imagens aplicada

caracterizao automtica de materiais. Dissertao de mestrado,
Departamento de Cincia dos Materiais e Metalurgia, Pontifcia Universidade
Catlica do Rio de Janeiro, Rio de Janeiro, 2001.
[73] VIEIRA, P. R. M.; PACIORNIK, S. Uncertainty evaluation of metal-

lographic measurements by image analysis and thermodynamic
modeling. Materials Characterization, 47:219226, 2001.
[74] ALVAREZ, J. C. Uma metodologia para caracterizao de snter

de minrio de ferro; microscopia digital e anlise de imagens.
Dissertao de mestrado, Departamento de Cincia dos Materiais e Meta-
lurgia, Pontifcia Universidade Catlica do Rio de Janeiro, Rio de Janeiro,
2008.
[75] GOMES, O. D. M.; PACIORNIK, S. Caracterizao quantitativa de

minrio de ferro por microcospia co-localizada. Tecnologia em
Metalurgia, Materiais e Minerao, 6 (2):9195, 2010.
[76] ZITOV , B.; FLUSSER, J. Image registration methods: a survey.

Image and Vision Computing, 21 (11):9771000, 2003.
[77] BROWN, L. G. A survey of image registration techniques. ACM

Computing Surveys, 24:325376, 1992.
[78] GOSHTASBY, A. A. 2-D and 3-D Image Registration: for Medical,

Remote Sensing, and Industrial Applications. Wiley-Interscience,
New York (NY, USA), 1st edition, 2005.
[79] HENN, S.; WITSCH, K. Image registration based on multiscale

energy information. Multiscale Modelling Simulation, 4 (2):584609,
2005.
[80] MAINTZ, J.; VIERGEVER, M. A survey of medical image registra-

tion. Medical Image Analysis, 2 (1):136, 1998.
[81] DROSKE, M.; RUMPF, M. A variational approach to nonrigid

morphological registration. SIAM Journal on Applied Mathematics,
64 (2):668687, 2004.
[82] FISCHER, B.; MODERSITZKI, J. Curvature based image registra-

tion. Journal of Mathematical Imaging and Vision, 18 (1):8185, 2003.
[83] JANSSENS, G. Improving physical behavior in image registra-

tion. In: 15TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PRO-
CESSING (ICIP), p. 29522955, San Diego (CA, USA), 2008.
[84] LOWE, D. G. Distinctive image features from scale-invariant

keypoints. International Journal of Computer Vision, 60 (2):91110, 2004.
[85] LOWE, D. Object recognition from local scale-invariant features.

In: 7TH IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION,
p. 11501157, Kerkyra (Greece), 1999.
[86] FIJI-IMAGEJ. FIJI, 2012. [software, v.1.45b]. Acesso em: Abril de 2012.
[87] SUTHERLAND, D.; GOTTLIEB, P. Application of automated quan-

titative mineralogy in mineral processing. Minerals Engineering, 4
(7-11):753762, 1991.
[88] GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. Prentice-

Hall, Upper Saddle River (NJ, USA), 3rd edition, 2008.
[89] SPRING, K. R. Cameras for digital microscopy. In: SLUDER

& WOLF, editor, METHODS IN CELL BIOLOGY, volumen 81: Digital
Microscopy, 3rd ed, chapter 10, p. 171186. Academic Press, San Diego
(CA, USA), 2007.
[90] TUKEY, J. W. Exploratory Data Analysis. Addison-Wesley, Massa-

chusetts (MA, USA), 1st edition, 1977.
[91] MARQUES, O.; VIEIRA, H. Processamento Digital de Imagens.

Brasport, Rio de Janeiro (RJ, Brasil), 1a edition, 1999.
[92] PRATT, W. K. Digital Image Processing. John Wiley & Sons, New
Jersey (NJ, USA), 4th edition, 2007.
[93] FACON, J. Processamento e anlise de imagens. Pontifcia Universi-

dade Catlica do Paran. Curso de Mestrado em Informtica Aplicada, 2005.
Acesso em: Abril de 2012.
[94] DESHMUKH, K. S.; SHINDE, G. N. An adaptive color image seg-

mentation. Electronic Letters on Computer Vision and Image Analysis, 5
(4):1223, 2005.
[95] DENG, Y.; MANJUNATH, B. S.; SHIN, H. Color image segmentation.

In: IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION
AND PATTERN RECOGNITION. VOL. 2, p. 446451, Fort Collins, (CO,

USA), 1999.
[96] TOMITA, F.; YACHIDA, M.; TSUJI, S. Detection of homogeneous

regions by structural analysis. In: INTERNATIONAL JOINT CON-
FERENCE ON ARTIFICIAL INTELLIGENCE, p. 2.12.12, Stanford (CA,
USA), 1973.
[97] WESKA, J. S. A survey of threshold selection techniques. Computer

Graphics and Image Processing, 7 (2):259265, 1978.
[98] OTSU, N. A. Threshold selection method from gray-level histo-

grams. IEEE Transactions on Systems, Man, and Cybernetics, 9 (1):6266,
1979.
[99] MARR, D.; HILDRETH, E. Theory of edge detection. Proceedings of

the Royal Society of London. Series B, Biological Sciences, 207 (1167):187
217, 1980.
[100] CANNY, J. A. Computational approach to edge detection. IEEE

Transactions on Pattern Analysis and Machine Intelligence, 8 (6):679698,
1986.
[101] BRICE, C. R.; FENEMA, C. L. Scene analysis using regions. Artificial

Intelligence, 1 (3):205226, 1970.
[102] FU, K. S. ; MUI, J. K. A survey on image segmentation. Pattern

Recognition, 13 (1):316, 1981.
[103] BEUCHER, S.; LANTUJOUL, C. Use of watersheds in contour de-

tection. In: IN INTERNATIONAL WORKSHOP ON IMAGE PROCES-
SING: REAL-TIME EDGE AND MOTION DETECTION/ESTIMATION, p.
2.12.12, Rennes (France), 1979.
[104] SERRA, J. Image Analysis and Mathematical Morphology: Vo-

lume 2. Academic Press, New York (NY, USA), 1st edition, 1988.
[105] HARALICK, R. M. Statistical and structural approaches to tex-

ture. In: PROCEEDINGS OF THE IEEE, VOL. 67, NO. 5., p. 786808,
1979.
[106] PUN, T. Entropic thresholding: A new approach. Computer

Graphics and Image Processing, 16 (3):210239, 1981.
[107] HOROWITZ, S. L.; PAVLIDIS, T. Picture segmentation by a tree

transversal algorithm. Journal of the Association for Computing Ma-
chinery, 23 (2):368388, 1976.
[108] HAMMOUCHE, K.; DIAF, M.; SIARRY, P. A multilevel automatic

thresholding method based on a genetic algorithm for a fast
image segmentation. Computer Vision and Image Understanding, 109
(2):163175, 2008.
[109] VALE, G. M.; POZ, A. P. O processo de deteco de bordas

de canny: Fundamentos, algoritmos e avaliao experimental.
In: SIMPSIO BRASILEIRO DE GEOMTICA, p. 292303, Presidente
Prudente, So Paulo, 2002.
[110] ADAMS, R.; BISCHOF, L. Seeded region growing. IEEE Transactions

on Pattern Analysis and Machine Intelligence, 16 (6):641647, 1994.
[111] SERRA, J. Image Analysis and Mathematical Morphology: Vo-

lume 1. Academic Press, New York (NY, USA), 1st edition, 1982.
[112] MATHWORKS. MATLAB, 2010. [software, v.7.11 (R2010b)]. Acesso

em: Maio de 2012.
[113] DANIELSSON, P. E. Euclidean distance mapping. Computer Graphics

and Image Processing, 14 (3):227248, 1980.
[114] RUSS, J. C. The Image Processing Handbook. CRC Press, Boca

Raton (FL, USA), 6th edition, 2011.
[115] PACIORNIK, S. Curso de Processamento Digital de Imagens, 2012.

Acesso em: Maio de 2012.
[116] HOUAISS, I. A. Dicionrio eletrnico houaiss da lngua portu-

guesa. Verso 1.05a. Editora Objetiva, 2002. Rio de Janeiro (RJ, Brasil).
[117] THEODORIDIS, S.; KOUTROUMBAS, K. Pattern Recognition. Aca-

demic Press, Burlington (MA,USA), 4th edition, 2009.
[118] JAIN, A. K.; MURTY, M. N.; FLYNN, P. J. Data clustering: a review.

ACM Computing Surveys, 31 (3):264323, 1999.
[119] JAIN, A.K.; DUIN, R.P.W.; MAO J. Statistical pattern recognition:

a review. IEEE Transactions on Pattern analysis and Machine Intelligence,
22 (1):437, 2000.
[120] DUDA, R. O.; HART, P. E.; STORK, D. G. Pattern Classification.

Wiley, John & Sons, New York (NY, USA), 2nd edition, 2001.
[121] GOMES, O. D. M.; PACIORNIK, S. Automatic classification of

graphite in cast iron. Microscopy and Microanalysis, 11 (4):363371,
2005.
[122] BOW, S. T. Pattern Recognition and Image Preprocessing. Marcel

Dekker, New York (NY, USA), 2nd edition, 2002.
[500] BARBOSA, P. F.; LAGOEIRO, L.; SCHOLZ, R.; GRAA, L.; ALVAREZ, G.
Electron backscattering diffraction (ebsd) as a tool to evaluate
the topotactic and epitactic growth of minerals: The example
of the magnetite and hematite. Microscopy and Microanalysis, 17
(2):408409, 2011.
[501] BARBOSA, P. F.; LAGOEIRO, L. Crystallographic texture of the

magnetite-hematite transformation: Evidence for topotactic
relationships in natural samples from quadriltero ferrfero,
brazil. American Mineralogist, 95 (1):118125, 2011.
[502] GRUM, J.; STURM, R. Computer supported recognition of

graphite particle forms in cast iron. Acta Stereol, 14 (1):9196,
1995.
A
Artigo da Tese Publicado em Peridico
O mtodo de segmentao Crescimento de Regies Modificado mostrado

neste trabalho rendeu uma publicao no peridico Minerals Engineering. Esta
publicao serve como requisito parcial para obteno do ttulo de Doutor
pelo Programa de Ps-graduao em Engenharia de Materiais e de Processos
Qumicos e Metalrgicos da PUC-Rio. por isto que esta publicao ser
anexada continuao desta pgina.

Julio

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Julio

Uploaded by

Copyright:

Available Formats

Julio Csar lvarez Iglesias

Desenvolvimento de um sistema de microscopia

Tese apresentada ao Programa de Psgraduao em Engenharia

Orientador : Prof. Sidnei Paciornik

Desenvolvimento de um sistema de microscopia

Tese apresentada como requisito parcial para obteno do grau

Prof. Sidnei Paciornik

Dr. Otvio da Fonseca Martins Gomes

Prof. Paulo Roberto Gomes Brando

Prof. Leonardo Evangelista Lagoeiro

Dr. Reiner Neumann

Dr. Marcos Henrique de Pinho Maurcio

Prof. Jos Eugenio Leal

Rio de Janeiro, 9 de Agosto de 2012

Julio Csar lvarez Iglesias

Desenvolvimento de um sistema de microscopia digital

v., 84 f: il. color. ; 30 cm

Tese (doutorado) - Pontifcia Universidade Catlica do

1. Engenharia Qumica Teses. 2. Engenharia de Materiais

Em primeiro lugar, gostaria de agradecer especialmente a meu orientador

lvarez Iglesias, Julio Csar; Paciornik, Sidnei; da Fonseca Mar-

lvarez Iglesias, Julio Csar; Paciornik, Sidnei (Advisor); da Fon-

3 Concluso e Trabalhos Futuros 70

A Artigo da Tese Publicado em Peridico 84

2.1 Evoluo da Produo Mundial de Ao Bruto no perodo 1950 -

2.1 Reservas mundiais de minrio de ferro no ano 2011 (106 t).(19) 17

ADI Anlise Digital de Imagens

O ferro o metal mais usado pela sociedade devido alta disponibilidade,

importncia. No entanto, no existe um mtodo universal para isto. De fato,

A hematita um mineral fortemente anisotrpico. Ela apresenta 1ple-

(i) Segmentar cristais de hematita compacta (granular, lamelar e lobular)

(ii) Medir tamanho de cristais de hematita compacta e;

(iii) Medir os cristais de hematita compacta visando a sua classificao

O grupo de pesquisa em Microscopia Digital (MD) do DEMa/PUC-Rio

O mtodo analtico tem como caracterstica fundamental o reconheci-

Neste capitulo, so apresentadas primeiramente a importncia econ-

Austrlia 35000 21,08 17000 21,25

RM: Reservas Medidas; RC: Reservas Contidas

a Austrlia e os Estados Unidos, o Brasil bem poderia estar em uma posio

(i) Minas Gerais - 67,0%;

(ii) Par - 16,0%;

(iii) Mato Grosso do Sul - 15,5% e;

(iv) Outros estados (Alagoas, Amazonas, Bahia, Cear, Gois, Pernambuco,

Entre todos os metais, o ferro o mais produzido e o que est mais

Tabela 2.2: Reservas brasileiras de minrio de ferro Medidas e Indicadas (em

1 Minas Gerais 19359905311 66,968 51,53

Este valor corresponde mdia ponderada.

Observando a evoluo da produo mundial de ao (Figura 2.1) a partir

Figura 2.1: Evoluo da Produo Mundial de Ao Bruto no perodo 1950 -

jazidas so de tima qualidade e de fcil extrao, produzindo grandes volumes

Tabela 2.3: Produo Mineral (em milhes de tons/ano).(20)

Os minrios brasileiros apresentam texturas muito variadas, devido s

importantes.(28, 29) Os principais tipos de texturas de xidos e hidrxidos de

Tabela 2.4: Quadro ilustrativo com as principais morfologias de cristais de

Tabela 2.5: Orientaes estruturais entre os xidos de ferro.(4)

. Uso de rotinas para o controle da platina motorizada;(37)

. Correo de defeitos na aquisio;(38, 39)

. Foco estendido;(42, 43)

. Ajuste automtico da iluminao e cor;(44, 45)

. Controle dos filtros e dos diafragmas;

. Varredura da amostra com aquisio automtica de imagens e;

. Obteno de mosaico ou campo estendido.(46)

Algumas destas rotinas vm includas em softwares comerciais de aqui-

O desenvolvimento de cmeras coloridas CCD (Charge-Coupled Device)

sendo que 0 a permeabilidade magntica do vcuo e 0 a permeabili-