III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Para este trabalho, inicialmente foram escolhidastécnicas de suavização e de detecção de bordas,largamente utilizadas nos sistemas de auxílio aodiagnóstico, a fim de verificar a relação custo/benefíciodecorrente da aplicação da computação paraleladistribuída.3.1. SuavizaçãoFiltros de suavização são utilizados em uma etapa depré-processamento para a redução de ruídos e para aremoção de pequenos detalhes de uma imagem antes daextração de objetos [4]. Entre as técnicas mais comuns desuavização estão os filtros de média e mediana.A filtragem mediana usada neste artigo [4], consiste emsubstituir o valor de um determinado pixel pelo valormediano da sua vizinhança que é o valor central obtidoquando se ordena os pixels da vizinhança.Na Figura 1 são apresentados exemplos da aplicaçãoda filtragem mediana em imagens médicas.(a) (b)(c) (d)Figura 1 - Exemplos de suavização utilizando o filtromediana. (a) imagem mamográfica original; imagemsuavizada (b) máscara 3x3; (c) máscara 5x5; (d)máscara 7x7.3.2. Detecção de BordasA detecção de bordas é outro exemplo de algoritmoque usa operações baseadas em vizinhança. Representaruma imagem por meio de suas bordas pode ser vantajoso,para muitos esquemas na área médica, visto que as bordasfornecem informações úteis para a composição dediagnósticos.Para avaliação neste artigo foi utilizado o algoritmo dedetecção de bordas fazendo uso dos operadores de Sobelmodificado [4]. Estes calculam o valor absolutoaproximado do gradiente em cada ponto da imagemanalisada, deixando em maior evidência as áreas cujafreqüência espacial possui um valor alto em relação àvizinhança e que correspondem às bordas da imagem.A Figura 2 apresenta exemplos do resultado obtidocom a aplicação desses operadores.(a) (b) (c)Figura 2 – Exemplos de detecção de bordas pelosoperadores de Sobel modificado com diferentestamanhos de máscaras. (a) imagem original; (b)máscara 9x9; (c) 11x11.4. Um Modelo de Paralelismo para oProcessamento de ImagensO requisito básico de um sistema de processamentoparalelo de imagens consiste em uma infra-estrutura quepermita executar de forma eficiente quaisquer algoritmosde nível baixo, médio ou alto. Essa infra-estrutura écomposta essencialmente de funções de comunicação edistribuição de dados adequados ao processamento deimagens [2].Os filtros executados no domínio espacial, quemanipulam diretamente os pixels que compõem a imagem,são os mais utilizados devido à facilidade deimplementação, porém exigem alto poder deprocessamento, visto que as imagens constituem, namaioria das vezes, matrizes enormes de pontos a seremconsiderados.É neste contexto que as técnicas de processamento deimagens e, em especial, aquelas desenvolvidasespecificamente para aplicação em imagens médicas,podem se beneficiar dos conceitos de paralelização. Aimportância do paralelismo é ainda mais realçada vistoque esta classe de imagens, quando destinada aodiagnóstico, não pode permitir armazenamento comperdas de dados. Além disso, muitas vezes, exigemprecisão na sua aquisição gerando um volume ainda maiorde dados.Uma proposta de paralelização eficiente é a divisão daimagem em blocos distribuídos pelos processadores, deforma a processá-los ao mesmo tempo.Definir o tipo de paralelismo que melhor se adapta aoprocessamento proposto é uma tarefa que permite aobtenção de melhor desempenho. No caso deste trabalhoo paralelismo de dados é o que melhor se enquadra, poisdefine-se que o processador deve executar as mesmastarefas sobre diferentes dados aproximadamente domesmo tamanho, tendo um único fluxo de controle SPMD(Single Process Multiple Data).107