Compreender a deteção de contornos no processamento de imagens

Enquanto seres humanos, reconhecemos naturalmente os contornos dos objetos, seguimos as suas curvas e notamos as texturas das suas superfícies quando observamos uma imagem. Para um computador, porém, a compreensão começa ao nível dos píxeis individuais.

Um píxel, a unidade mais pequena de uma imagem digital, armazena a cor e o brilho num único ponto. Ao acompanhar as alterações nos valores dos píxeis ao longo de uma imagem, um computador consegue detetar padrões que revelam detalhes importantes.

Em particular, o processamento de imagem utiliza dados dos píxeis para realçar características essenciais e remover distrações. Uma técnica comum de processamento de imagem é a deteção de contornos, que identifica pontos onde o brilho ou a cor mudam abruptamente para delinear objetos, assinalar limites e acrescentar estrutura.

Isto permite aos computadores separar formas, medir dimensões e interpretar como as partes de uma cena se ligam. A deteção de contornos é frequentemente o primeiro passo na análise de imagem avançada.

Fig. 1. Exemplo que mostra a imagem original ao lado dos resultados de diferentes métodos de deteção de contornos. (Fonte)

Neste artigo, vamos analisar o que é a deteção de contornos, como funciona e quais são as suas aplicações no mundo real. Vamos começar!

Conceitos de deteção de contornos#

A deteção de contornos procura pontos numa imagem onde o brilho ou a cor mudam significativamente de um ponto para o seguinte. Se a alteração for pequena, a área parece uniforme. Se a alteração for abrupta, assinala frequentemente o limite entre duas regiões diferentes.

Eis algumas razões pelas quais estas alterações nos píxeis ocorrem:

• Descontinuidades da normal da superfície: Quando duas superfícies se encontram num ângulo, como no canto de uma parede ou na aresta de uma caixa, esta alteração acentuada na orientação produz um limite claro na imagem.
• Descontinuidades de profundidade: Surgem quando os objetos estão a diferentes distâncias da câmara, produzindo uma separação visível que ajuda o sistema a distingui-los.
• Alterações na cor ou textura da superfície: Ocorrem quando uma área tem uma cor ou textura diferente da área adjacente, criando uma separação visível.
• Alterações de iluminação: Resultam de alterações na iluminação, incluindo sombras ou realces nas superfícies, criando separações visíveis mesmo quando as próprias superfícies são uniformes ou contínuas.

Fig. 2. Diferentes tipos de descontinuidades de contornos em imagens. (Fonte)

Como funciona a deteção de contornos#

A deteção de contornos começa normalmente por transformar uma imagem a cores numa imagem em escala de cinzentos, para que cada ponto mostre apenas o brilho. Isto facilita a concentração do algoritmo nas diferenças entre claro e escuro, em vez da cor.

Em seguida, filtros especiais podem analisar a imagem para encontrar pontos onde o brilho muda subitamente. Estes filtros calculam a rapidez com que o brilho muda, denominada gradiente. Um gradiente mais elevado é causado por uma diferença maior entre pontos próximos, o que frequentemente indica um contorno.

O algoritmo continua a aperfeiçoar a imagem, removendo pequenos detalhes e mantendo apenas as linhas e formas mais importantes. O resultado é um contorno nítido e uma imagem de saída que pode ser utilizada para análises posteriores.

Evolução da deteção de contornos e do processamento de imagem#

Antes de analisarmos a deteção de contornos em mais detalhe, vejamos como esta se desenvolveu ao longo do tempo.

O processamento de imagem começou com métodos simples baseados em regras, como o thresholding e a filtragem, para limpar e melhorar imagens. Na era analógica, isto significava trabalhar com fotografias ou película utilizando filtros óticos, ampliadores ou tratamentos químicos para realçar detalhes.

Técnicas como o ajuste do contraste, a redução de ruído, o ajuste da intensidade da imagem e a deteção básica de contornos ajudaram a tornar as imagens de entrada mais nítidas e a realçar formas e texturas. Nas décadas de 1960 e 1970, a transição do processamento analógico para o digital abriu caminho à análise moderna em áreas como a astronomia, a imagiologia médica e a monitorização por satélite.

Nas décadas de 1980 e 1990, computadores mais rápidos tornaram possível abordar tarefas mais complexas, como a extração de características, a deteção de formas e o reconhecimento básico de objetos. Algoritmos como o operador de Sobel e o Canny proporcionaram uma deteção de contornos mais precisa, enquanto o reconhecimento de padrões encontrou aplicações em áreas que iam da automação industrial à leitura de texto impresso através do reconhecimento ótico de caracteres.

Deteção de contornos e visão computacional no século XXI#

Atualmente, os avanços constantes da tecnologia levaram ao desenvolvimento da visão computacional. A IA de visão, ou visão computacional, é um ramo da IA que se concentra em ensinar as máquinas a interpretar e compreender informação visual.

Embora o processamento de imagem tradicional, como o double thresholding (que torna as imagens mais nítidas ao manter contornos fortes e remover os fracos) e a deteção de contornos, siga regras fixas e consiga lidar apenas com tarefas específicas, a visão computacional utiliza modelos orientados por dados que aprendem com exemplos e se adaptam a novas situações.

Atualmente, os sistemas de imagem vão muito além de simplesmente melhorar imagens ou detetar contornos. Conseguem reconhecer objetos, acompanhar movimentos e compreender o contexto de uma cena completa.

Uma das principais técnicas que torna isto possível é a convolução. Uma operação de convolução é um processo em que pequenos filtros (também chamados kernels) percorrem uma imagem para encontrar padrões importantes, como contornos, cantos e texturas. Estes padrões tornam-se os elementos básicos que os modelos de visão computacional utilizam para reconhecer e compreender objetos.

Por exemplo, modelos de visão computacional como o Ultralytics YOLO11 utilizam estas características baseadas em convoluções para realizar tarefas avançadas, como a segmentação de instâncias. Isto está estreitamente relacionado com a deteção de contornos, porque a segmentação de instâncias exige o delineamento preciso dos limites de cada objeto numa imagem.

Enquanto a deteção de contornos se concentra em encontrar alterações de intensidade nos píxeis dos contornos para assinalar as extremidades dos objetos, a segmentação de instâncias baseia-se nessa ideia para detetar contornos, classificar e separar cada objeto na sua própria região.

Fig. 3. Uma análise da utilização do Ultralytics YOLO11 e da segmentação de instâncias. (Fonte)

Algoritmos e abordagens de deteção de contornos#

Mesmo com o crescimento da visão computacional, o processamento de imagem continua a ser uma parte importante de muitas aplicações. Isto deve-se ao facto de a visão computacional se basear frequentemente em etapas básicas de pré-processamento de imagem.

Antes de detetar objetos ou compreender uma cena, os sistemas costumam limpar a imagem, reduzir o ruído e encontrar contornos para destacar os detalhes importantes. Estas etapas tornam os modelos avançados mais precisos e eficientes.

Em seguida, vamos explorar alguns dos algoritmos de processamento de imagem mais comuns utilizados para detetar contornos e perceber como funcionam.

Deteção de contornos de Sobel#

A deteção de contornos de Sobel é um método fundamental utilizado para encontrar os contornos dos objetos numa imagem. Em vez de analisar todos os detalhes de uma só vez, concentra-se nas áreas onde o brilho muda abruptamente de um píxel para o píxel vizinho seguinte.

Estas mudanças súbitas assinalam normalmente o ponto onde termina um objeto e começa outro, ou onde um objeto encontra o fundo. Ao isolar estes contornos, o Sobel transforma uma imagem complexa num contorno mais limpo, que é mais fácil de processar por outros sistemas em tarefas como o acompanhamento de movimentos, a deteção de formas ou o reconhecimento de objetos.

Podes pensar na deteção de contornos de Sobel como um detetor de gradientes que mede como a intensidade muda ao longo de uma imagem. No seu núcleo, isto funciona através de uma operação de convolução: pequenas matrizes, chamadas kernels, deslizam pela imagem e calculam somas ponderadas dos valores dos píxeis vizinhos.

Estes kernels foram concebidos para realçar alterações no brilho nas direções horizontal e vertical. Ao contrário dos modelos de aprendizagem profunda, nos quais os kernels são aprendidos a partir de dados, o Sobel utiliza kernels fixos para realçar contornos de forma eficiente, sem exigir treino.

Vejamos mais de perto como funciona o método de deteção de contornos de Sobel:

• Utilização de dois filtros 3×3: Este método utiliza duas pequenas grelhas 3×3, chamadas filtros. Pensa nelas como moldes que deslizam sobre a imagem nas direções horizontal (direção x) e vertical (direção y). Uma grelha foi concebida para encontrar contornos horizontais e a outra para contornos verticais.
• Cálculo do gradiente: Cada filtro identifica a rapidez com que o brilho muda e a direção do gradiente. Uma grande alteração pode indicar um contorno.
• Combinação dos resultados: Os resultados horizontal e vertical são combinados para determinar a intensidade e a direção gerais do contorno em cada píxel.
• Deteção de contornos: Os píxeis com uma magnitude de gradiente elevada são assinalados como contornos fortes.
• Delineamento dos limites: Estes contornos ajudam a definir as formas dos objetos e a separar diferentes regiões na imagem.

Fig. 4. A deteção de contornos de Sobel pode realçar os principais contornos de uma imagem de entrada e produzir um mapa de contornos. (Fonte)

Deteção de contornos de Canny#

A deteção de contornos de Canny é outro método popular para encontrar contornos numa imagem. É conhecida por produzir contornos nítidos e precisos. Ao contrário das técnicas básicas de deteção de contornos, segue uma série de etapas cuidadosamente concebidas para filtrar o ruído, tornar os limites mais nítidos e concentrar-se nos contornos mais importantes.

Eis uma breve visão geral de como funciona um detetor de contornos de Canny:

• Suavização da imagem: Primeiro, a imagem é desfocada com um filtro gaussiano, uma técnica de suavização que reduz o ruído e os pequenos detalhes que poderiam ser confundidos com contornos.
• Deteção de alterações no brilho: Em seguida, o algoritmo procura alterações acentuadas no brilho, utilizando cálculos do gradiente para medir a intensidade e a direção dessas alterações.
• Redução dos contornos: Apenas os pontos mais fortes ao longo de cada linha detetada são mantidos, enquanto os pontos mais fracos são removidos, resultando em contornos nítidos e limpos.
• Classificação dos contornos: Cada píxel é classificado como contorno forte, fraco ou inexistente, com base nos valores-limite da alteração do brilho.
• Limpeza final: Os contornos fracos ligados a contornos fortes são mantidos; todos os outros são eliminados, deixando apenas limites claros e ligados.

Fig. 5. Imagem original e respetiva imagem de saída após a utilização do detetor de contornos de Canny. (Fonte)

Como produz resultados precisos ao mesmo tempo que filtra o ruído, a deteção de contornos de Canny é amplamente utilizada em áreas onde a precisão é importante. Por exemplo, é utilizada em setores como a imagiologia médica, o mapeamento por satélite, a digitalização de documentos e a visão robótica.

Deteção de contornos baseada em gradientes vs. baseada em gaussianas#

Até agora, os dois exemplos de deteção de contornos que analisámos foram o Sobel e o Canny. Embora ambos procurem encontrar contornos, abordam o problema de formas diferentes.

Os métodos baseados em gradientes (como Sobel, Prewitt e Scharr) detetam contornos procurando alterações acentuadas no brilho, conhecidas como gradiente. Analisam a imagem e assinalam os pontos onde esta alteração é mais forte. Estes métodos são simples, rápidos e funcionam bem quando as imagens são nítidas. No entanto, são sensíveis ao ruído: pequenas variações no brilho podem ser confundidas com contornos.

Os métodos baseados em gaussianas (como Canny ou Laplaciano de Gauss) acrescentam uma etapa adicional para resolver este problema: desfocar primeiro a imagem. Esta suavização, frequentemente realizada com um filtro gaussiano, reduz pequenas variações que poderiam criar falsos contornos. Após a suavização, estes métodos continuam a procurar alterações acentuadas no brilho, mas os resultados são mais limpos e precisos em imagens com ruído ou de baixa qualidade.

Fig. 6. Deteção de contornos baseada em gradientes vs. baseada em gaussianas. Imagem do autor.

Aplicações da deteção de contornos no mundo real#

Agora que compreendes melhor como funciona a deteção de contornos, vamos explorar a sua aplicação em situações do mundo real.

Utilização da deteção de contornos para identificar fissuras#

A inspeção de grandes estruturas de betão, como pontes e edifícios altos, é frequentemente uma tarefa difícil e perigosa. Estas estruturas podem estender-se por longas distâncias ou atingir grandes alturas, tornando as inspeções tradicionais lentas, dispendiosas e arriscadas. Estas inspeções também exigem normalmente andaimes, acesso por cordas, medições manuais de proximidade ou fotografia.

Em 2019, foi explorada uma abordagem interessante, quando investigadores testaram um método mais seguro e rápido utilizando drones equipados com câmaras de alta resolução para captar imagens de entrada detalhadas de superfícies de betão. Estas imagens foram depois processadas com várias técnicas de deteção de contornos para identificar automaticamente fissuras.

O estudo mostrou que este método reduziu significativamente a necessidade de acesso humano direto a áreas perigosas e acelerou as inspeções. No entanto, a sua precisão continuava dependente de fatores como as condições de iluminação, a nitidez da imagem e a estabilidade da operação do drone. Em alguns casos, ainda era necessária uma revisão humana para eliminar falsos positivos.

Aplicação da deteção de contornos na imagiologia médica#

Os raios X e as RM contêm frequentemente perturbações visuais conhecidas como ruído, que podem dificultar a visualização de detalhes finos. Isto constitui um desafio para os médicos quando tentam identificar os contornos de um tumor, delinear um órgão ou monitorizar alterações subtis ao longo do tempo.

Um estudo de imagiologia médica recente testou a eficácia de métodos comuns de deteção de contornos, como Sobel, Canny, Prewitt e Laplaciano, no processamento de imagens com ruído. Os investigadores adicionaram diferentes tipos e níveis de ruído às imagens e verificaram com que precisão cada método conseguia delinear características importantes.

O Canny produziu normalmente os contornos mais limpos, mesmo quando o ruído era intenso, mas não foi o melhor em todos os casos. Alguns métodos funcionaram melhor com determinados padrões de ruído, pelo que não existe uma única solução perfeita.

Fig. 7. O Canny (d–f) proporciona contornos mais nítidos do que o Sobel (g–i) à medida que o ruído aumenta. (Fonte)

Isto realça a importância de tecnologias como a visão computacional. Ao combinar algoritmos avançados e modelos de IA de visão, estas soluções conseguem ir além da deteção básica de contornos e produzir resultados mais precisos e fiáveis, mesmo em condições difíceis.

Vantagens da deteção de contornos#

Eis alguns benefícios da utilização da deteção de contornos e do processamento de imagem:

• Melhor compressão de dados: A deteção de contornos permite representar imagens utilizando apenas características essenciais, reduzindo o tamanho do ficheiro e mantendo a informação importante. Isto torna o armazenamento e a transmissão mais eficientes.
• Localização mais precisa de objetos: Ao identificar com precisão os limites dos objetos, a deteção de contornos melhora a capacidade dos sistemas para localizar e acompanhar objetos, beneficiando aplicações como a IA na robótica e os veículos autónomos.
• Deteção de características a várias escalas: As técnicas de deteção de contornos conseguem analisar imagens a diferentes escalas, captando tanto pequenos detalhes como formas maiores. Esta flexibilidade é útil em várias tarefas, desde a análise de texturas à compreensão de cenas.

Limitações da utilização do processamento de imagem para a deteção de contornos#

Embora a deteção de contornos no processamento de imagem ofereça muitas vantagens, também apresenta alguns desafios. Eis algumas das principais limitações a considerar:

• Problemas com texturas complexas: Em imagens com padrões intrincados ou repetitivos, a deteção de contornos produz frequentemente muitos contornos falsos ou irrelevantes, o que complica a análise posterior e reduz a fiabilidade.
• Sensibilidade à iluminação: Variações no brilho, sombras e reflexos podem levar os detetores de contornos a interpretar incorretamente alterações na iluminação como limites de objetos, originando resultados inconsistentes.
• Não identifica objetos: Embora os contornos realcem os pontos onde os objetos começam e terminam, não mostram o que são esses objetos. É necessário um processamento adicional para atribuir significado ou rótulos aos contornos detetados.

Quando a visão computacional pode ser utilizada para a deteção de contornos#

A deteção de contornos inspira-se na forma como os nossos olhos e cérebro trabalham em conjunto para compreender o mundo. Na visão humana, os neurónios especializados do córtex visual são altamente sensíveis a contornos, linhas e limites.

Estas pistas visuais ajudam-nos a determinar rapidamente onde termina um objeto e começa outro. É por isso que até um simples desenho de linhas pode ser imediatamente reconhecido: o nosso cérebro depende fortemente dos contornos para identificar formas e objetos.

A visão computacional procura imitar esta capacidade, mas leva-a um passo mais longe. Modelos como o Ultralytics YOLO11 vão além do simples realce de contornos e da melhoria de imagens. Conseguem detetar objetos, delineá-los com precisão e acompanhar movimentos em tempo real. Este nível mais profundo de compreensão torna-os essenciais em cenários onde a deteção de contornos, por si só, não é suficiente.

Utilização do Ultralytics YOLO11 para detetar contornos com maior precisão#

Eis algumas das principais [tarefas de visão computacional](https://ultralytics-translation-0.invalid suportadas pelo Ultralytics YOLO11 que se baseiam na deteção de contornos e vão além dela:

• Deteção de objetos: Identifica e localiza vários objetos numa imagem ou vídeo, desenhando caixas delimitadoras em torno de cada um, o que oferece uma visão clara do que está presente e da posição de cada objeto.
• Segmentação de instâncias: Consiste em decompor os objetos ao nível dos píxeis, produzindo contornos limpos e precisos mesmo quando os objetos se sobrepõem ou têm formas irregulares.
• Estimativa de pose: O objetivo aqui é determinar a posição, a orientação ou a postura de um objeto ou pessoa, o que ajuda a monitorizar movimentos ou detetar alterações estruturais ao longo do tempo.
• Rastreamento de objetos: Esta tarefa acompanha um objeto à medida que se move pelos fotogramas de um vídeo, garantindo uma identificação consistente para uma observação precisa a longo prazo.
• Classificação de imagens: Atribui etiquetas a objetos ou a imagens completas com base nas suas características visuais, facilitando a organização e a interpretação de grandes conjuntos de dados.

Deteção de contornos em infraestruturas com visão computacional#

Um bom exemplo de como a visão computacional pode melhorar uma aplicação que tradicionalmente dependia da deteção de contornos é a deteção de fissuras em infraestruturas e ativos industriais. Modelos de visão computacional como o Ultralytics YOLO11 podem ser treinados para identificar com precisão fissuras em estradas, pontes e condutas. A mesma técnica também pode ser aplicada na manutenção de aeronaves, em inspeções de edifícios e no controlo de qualidade na produção, ajudando a acelerar as inspeções e a melhorar a segurança.

Fig. 8. Um exemplo da utilização do YOLO11 para a segmentação de fissuras. (Fonte)

Principais conclusões#

A deteção de contornos evoluiu muito, desde os primeiros métodos simples até técnicas avançadas capazes de identificar até limites subtis em imagens complexas. Ajuda a realçar detalhes importantes, destacar áreas essenciais e preparar imagens para análises mais aprofundadas, sendo uma parte fundamental do processamento de imagens.

Na visão computacional, a deteção de contornos desempenha um papel importante na definição de formas, na separação de objetos e na extração de informações úteis. É utilizada em muitas áreas, como imagiologia médica, inspeções industriais, condução autónoma e segurança, para proporcionar uma compreensão visual precisa e fiável.

Junta-te à nossa comunidade e explora o nosso repositório no GitHub para descobrires mais sobre IA. Se estás a pensar iniciar o teu próprio projeto de IA para visão computacional, consulta as nossas opções de licenciamento. Descobre mais sobre aplicações como IA na área da saúde e IA para visão computacional no retalho visitando as nossas páginas de soluções.