knitr::opts_chunk$set( collapse = TRUE, comment = "#>" )
Obrigado por utilizar o pacote ExpImage
. Este pacote foi desenvolvido a fim de facilitar o uso da análise de imagens na obtenção de várias informações sobre os objetos que elas contém. Para a utilização do pacote é indispensável a instalação do pacote EBImage
. Geralmente, este pacote pode ser instalado ao executar os seguintes comandos:
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("EBImage")
Porém se houver problemas na instalação sugerimos que consulte mais opções de instalação no site: https://bioconductor.org/packages/release/bioc/html/EBImage.html
Para instalar o pacote ´ExpImage´ basta utilizar o seguinte comando:
install.packages("ExpImage")
Convidamos a todos os usuários do ExpImage que venha conhecer nossos materiais didáticos sobre este e outros pacotes nos seguintes links:
https://www.youtube.com/channel/UCDGyvLCJnv9RtTY1YMBMVNQ
https://www.expstat.com/
Após a instalação dos pacotes é necessário fazer sua ativação
library(EBImage) library(ExpImage)
Para abrir as imagens pode-se inicialmente indicar a pasta de trabalho onde a imagem se encontra com a função setwd
. E, posteriormente, abrir a imagem com a função read_image
.
Neste caso, poderiam ser utilizados comandos como esses:
#Apagar memoria do R
remove(list=ls())
#Indicar a pasta de trabalho
setwd("D:/Backup Pendrive/")
im=read_image("Imagem.jpeg",plot=TRUE)
Neste exemplo utilizaremos uma imagem contida em um link na internet:
# Obtendo o endereço da imagem de exemplo im=read_image("https://raw.githubusercontent.com/AlcineiAzevedo/CursosImagem/main/amendoim.jpg",plot=TRUE)
Inicialmente deve-se escolher um índice ou banda que proporcionará maior contraste entre a folha (foreground) e o fundo (background).
r=gray_scale(im,method = "r",plot=T) g=gray_scale(im,method = "g",plot=T) b=gray_scale(im,method = "b",plot=T)
Como foi possível observar, quando se utilizou a banda de verde foi possível obter melhor contraste entre a parte doente e sadia na folha. Além disso, possibilita também a segmentação da folha em relação ao fundo. Logo, podemos considerar essa banda como a melhor para fazer o processo de segmentação.
A segmentação pode ser feita considerando-se um limiar. Ou seja, um valor a partir do qual os pixeis serão consideradas como background ou foreground. O melhor valor de limiar pode ser obtido pela tentativa e erro:
MatrizSegmentada0.3=segmentation(g,treshold = 0.30,fillHull = F,selectHigher = F,plot=T) MatrizSegmentada0.4=segmentation(g,treshold = 0.40,fillHull = F,selectHigher = F,plot=T) MatrizSegmentada0.6=segmentation(g,treshold = 0.60,fillHull = F,selectHigher = F,plot=T) MatrizSegmentada0.8=segmentation(g,treshold = 0.80,fillHull = F,selectHigher = F,plot=T)
Como foi possivel observar. Quando se utiliza o limiar de 0.3 é possível destacar o que é doença. E, quando se utiliza o limiar de 0.8, destaca-se o que é a folha. Assim, pode-se obter a porcentagem de área danificada pela razão entre o número de pixels correspondente a área lesionada em função da área total:
100*(sum(MatrizSegmentada0.3)/sum(MatrizSegmentada0.8))
Para verificar se a classificação da área danificada está correta, podemos destacar a área doente na imagem:
im3=mask_pixels(im,TargetPixels=MatrizSegmentada0.3==1,col.TargetPixels = "red",plot=F) im3b=mask_pixels(im,TargetPixels=MatrizSegmentada0.3==1,Contour =TRUE,col.TargetPixels = "red",plot=F) im4=join_image(im,im3,im3b,plot=T)
Any scripts or data that you put into this service are public.
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.