Exemplo: Estimação da área foliar
Introdução
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:
Abrindo as imagens no R
Ativação dos pacotes
Após a instalação dos pacotes é necessário fazer sua ativação
Abrindo as imagens.
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 imagens contidas no banco de dados do pacote. Vamos utilizar neste exemplo 4 imagens. Uma da imagem a ser avaliada e 3 de paletas de cores a serem utilizadas na segmentação.
#######################################################
#Abrir imagem das folhas
end1=example_image(3)
im=read_image(end1,plot=TRUE)
Segmentação
Para resolver este problema nós vamos fazer duas segmentações. A primeira para obter os pixels referente apenas às folhas. A segunda segmentação será feita para obter os pixels correspondente apenas ao objeto de referência.
#################################################################
#Segmentacao para separar as folhas do restante
folhas.seg=segmentation_logit(im,foreground=folhas,background=list(fundo,ref),sample=2000,fillHull=TRUE,plot=TRUE)
#Segmentacao para separar o objeto de referencia do restante
ref.seg=segmentation_logit(im,foreground=ref,background=list(fundo,folhas),sample=2000,fillHull=TRUE,plot=TRUE)
Estimação da área foliar
Agora que temos os pixels referentes apenas às folhas podemos estimar várias medidas com a função measure_image
#numero de objetos e medias
medidas
#> $ObjectNumber
#> [1] 29
#>
#> $measures
#> x y area perimeter radius.mean radius.sd radius.min radius.max
#> 1 251.928 88.408 4604 252 39.855 10.692 25.103 62.637
#> 2 64.978 79.864 3583 213 34.820 7.510 25.446 50.454
#> 3 408.168 90.021 4456 232 38.224 8.085 26.445 55.233
#> 4 179.817 86.223 3710 215 34.986 7.682 25.192 51.118
#> 5 332.598 91.818 4587 238 39.082 7.657 29.930 57.130
#> 6 498.490 102.707 5636 263 43.251 8.272 33.447 61.064
#> 7 120.864 85.240 2016 182 27.546 8.935 14.708 44.983
#> 8 430.262 221.739 4543 250 39.708 10.480 26.813 61.572
#> 9 122.470 219.454 3843 213 35.198 6.118 25.502 48.017
#> 10 207.395 227.945 4303 242 38.515 9.012 27.368 57.988
#> 11 508.691 223.636 3455 203 33.512 6.304 24.936 47.657
#> 12 353.021 213.246 2247 159 26.710 4.098 20.982 36.200
#> 13 283.709 222.956 2499 181 28.904 6.940 19.063 42.612
#> 14 511.972 330.916 3502 204 33.822 6.553 25.473 50.167
#> 15 364.413 339.655 4726 252 40.227 9.854 27.973 60.180
#> 16 129.308 341.448 4698 232 38.852 6.506 29.504 54.087
#> 17 434.516 340.293 3134 213 33.093 8.825 21.437 51.593
#> 18 292.674 338.624 2994 200 31.870 7.556 20.902 46.945
#> 19 223.410 354.340 4529 233 38.628 7.325 29.925 55.420
#> 20 498.530 470.528 5213 254 41.370 8.336 29.640 60.742
#> 21 308.912 487.110 4570 233 38.434 6.611 30.357 54.318
#> 22 84.109 480.387 2330 192 29.320 8.898 17.556 47.878
#> 23 226.487 486.943 3155 193 31.859 5.604 24.320 44.891
#> 24 371.598 483.665 2757 204 31.589 8.950 19.711 50.049
#> 25 148.362 483.370 2963 197 31.440 6.535 22.131 45.594
#> 26 434.017 481.236 2403 169 27.910 5.246 21.154 39.729
#> 27 509.515 597.367 4134 227 37.334 8.405 25.693 55.822
#> 28 436.670 608.910 4415 248 39.429 9.602 27.708 60.561
#> 29 351.727 607.202 4494 236 38.540 8.015 27.317 57.220
#> majoraxis eccentricity theta
#> 1 110.049 0.872 -1.477
#> 2 88.622 0.810 1.431
#> 3 100.206 0.822 -1.495
#> 4 92.398 0.830 -1.543
#> 5 98.538 0.794 1.397
#> 6 108.443 0.788 1.487
#> 7 76.991 0.895 -1.435
#> 8 107.921 0.865 1.566
#> 9 87.810 0.767 1.407
#> 10 100.470 0.837 -1.373
#> 11 85.272 0.793 1.528
#> 12 65.595 0.745 1.366
#> 13 78.222 0.852 1.431
#> 14 86.552 0.799 -1.422
#> 15 107.106 0.849 1.459
#> 16 97.207 0.771 1.322
#> 17 90.915 0.873 1.520
#> 18 83.670 0.834 1.413
#> 19 97.139 0.788 -1.542
#> 20 107.144 0.813 1.561
#> 21 95.706 0.765 1.526
#> 22 79.829 0.878 1.508
#> 23 80.394 0.780 1.388
#> 24 82.968 0.850 -1.567
#> 25 80.269 0.807 1.305
#> 26 70.636 0.786 -1.553
#> 27 97.757 0.831 1.322
#> 28 102.775 0.841 1.503
#> 29 99.359 0.811 1.350
#>
#> attr(,"class")
#> [1] "measurements"Com o comando acima temos várias medidas de áreas em pixels. Logo, é legal converter essa medida para cm² a partir do objeto de referência. Sabendo a área do objeto de referência podemos fazer a conversão com da seguinte forma:
#Convertendo a area dos objetos para cm2
#Identificando a area do objeto de referência (maior area)
# A area conhecida do objeto de referência tem 8.5 x 5.5 cm
#e sua areasegmentada esta no objeto ref.seg
medidasref=measure_image(img = folhas.seg,noise =1000,id=ref.seg,length =8.5,width =5.5,plot = FALSE )
#numero de objetos e medias
medidasref
#> $ObjectNumber
#> [1] 29
#>
#> $measures
#> x y area perimeter radius.mean radius.sd radius.min
#> 1 251.928 88.408 6.279525 354.4371 56.05592 15.038260 35.30728
#> 2 64.978 79.864 4.886954 299.5837 48.97421 10.562789 35.78971
#> 3 408.168 90.021 6.077664 326.3072 53.76192 11.371524 37.19480
#> 4 179.817 86.223 5.060173 302.3967 49.20769 10.804706 35.43246
#> 5 332.598 91.818 6.256338 334.7462 54.96870 10.769544 42.09644
#> 6 498.490 102.707 7.687099 369.9086 60.83238 11.634539 47.04309
#> 7 120.864 85.240 2.749679 255.9824 38.74335 12.567046 20.68675
#> 8 430.262 221.739 6.196325 351.6241 55.84916 14.740083 37.71239
#> 9 122.470 219.454 5.241576 299.5837 49.50586 8.604945 35.86847
#> 10 207.395 227.945 5.868983 340.3721 54.17121 12.675346 38.49300
#> 11 508.691 223.636 4.712372 285.5188 47.13451 8.866554 35.07240
#> 12 353.021 213.246 3.064746 223.6329 37.56752 5.763823 29.51111
#> 13 283.709 222.956 3.408456 254.5759 40.65337 9.761086 26.81204
#> 14 511.972 330.916 4.776476 286.9253 47.57052 9.216771 35.82768
#> 15 364.413 339.655 6.445924 354.4371 56.57913 13.859616 39.34393
#> 16 129.308 341.448 6.407734 326.3072 54.64520 9.150666 41.49727
#> 17 434.516 340.293 4.274551 299.5837 46.54519 12.412331 30.15106
#> 18 292.674 338.624 4.083601 281.2993 44.82504 10.627487 29.39859
#> 19 223.410 354.340 6.177230 327.7137 54.33015 10.302587 42.08941
#> 20 498.530 470.528 7.110157 357.2501 58.18676 11.724555 41.68856
#> 21 308.912 487.110 6.233151 327.7137 54.05729 9.298348 42.69701
#> 22 84.109 480.387 3.177953 270.0473 41.23848 12.515006 24.69245
#> 23 226.487 486.943 4.303193 271.4538 44.80957 7.882006 34.20599
#> 24 371.598 483.665 3.760350 286.9253 44.42982 12.588143 27.72345
#> 25 148.362 483.370 4.041319 277.0798 44.22025 9.191454 31.12717
#> 26 434.017 481.236 3.277519 237.6979 39.25532 7.378481 29.75303
#> 27 509.515 597.367 5.638479 319.2747 52.51014 11.821603 36.13711
#> 28 436.670 608.910 6.021743 348.8111 55.45675 13.505179 38.97120
#> 29 351.727 607.202 6.129493 331.9332 54.20637 11.273069 38.42126
#> radius.max majoraxis eccentricity theta
#> 1 88.09872 154.78353 0.872 -1.477
#> 2 70.96337 124.64653 0.810 1.431
#> 3 77.68502 140.93939 0.822 -1.495
#> 4 71.89729 129.95746 0.830 -1.543
#> 5 80.35314 138.59335 0.794 1.397
#> 6 85.88630 152.52470 0.788 1.487
#> 7 63.26843 108.28757 0.895 -1.435
#> 8 86.60080 151.79051 0.865 1.566
#> 9 67.53574 123.50446 0.767 1.407
#> 10 81.55992 141.31070 0.837 -1.373
#> 11 67.02940 119.93477 0.793 1.528
#> 12 50.91517 92.25914 0.745 1.366
#> 13 59.93363 110.01897 0.852 1.431
#> 14 70.55971 121.73508 0.799 -1.422
#> 15 84.64296 150.64421 0.849 1.459
#> 16 76.07317 136.72130 0.771 1.322
#> 17 72.56537 127.87163 0.873 1.520
#> 18 66.02798 117.68156 0.834 1.413
#> 19 77.94803 136.62566 0.788 -1.542
#> 20 85.43341 150.69766 0.813 1.561
#> 21 76.39808 134.61015 0.765 1.526
#> 22 67.34024 112.27921 0.878 1.508
#> 23 63.13903 113.07388 0.780 1.388
#> 24 70.39374 116.69420 0.850 -1.567
#> 25 64.12780 112.89807 0.807 1.305
#> 26 55.87870 99.34929 0.786 -1.553
#> 27 78.51345 137.49488 0.831 1.322
#> 28 85.17883 144.55268 0.841 1.503
#> 29 80.47973 139.74808 0.811 1.350
#>
#> attr(,"class")
#> [1] "measurements"Para a melhor visualização dos resultados, podemos sobrepor a área das folhas sobre a imagem com o seguinte comando:
#Plotar resultados das areas em pixel e salvar em imagem jpg
plot_meansures(im,medidasref$measures[,1],coordy=medidasref$measures[,2],text=round(medidasref$measures[,3],1),col="red",
cex = 0.9 ,plot=TRUE)