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
#> 1 251.827 88.586 4620 254 40.020 10.790 25.028 62.588
#> 2 64.960 79.962 3583 215 34.777 7.389 25.330 50.484
#> 3 408.070 90.175 4441 235 38.277 8.146 26.328 55.796
#> 4 179.724 86.368 3717 216 35.095 7.739 25.164 51.806
#> 5 332.504 91.975 4582 239 39.105 7.642 29.802 56.912
#> 6 498.407 102.802 5621 261 43.161 8.314 33.140 61.367
#> 7 120.801 85.475 2031 184 27.696 8.977 14.752 44.981
#> 8 430.150 221.936 4532 253 39.870 10.617 26.500 62.610
#> 9 122.323 219.556 3828 212 35.174 6.113 25.696 47.907
#> 10 207.319 228.060 4299 240 38.409 9.005 27.286 57.977
#> 11 508.632 223.664 3453 203 33.508 6.310 24.995 47.652
#> 12 352.955 213.333 2229 159 26.589 4.062 21.058 35.634
#> 13 283.566 223.032 2494 181 28.885 6.975 18.876 43.223
#> 14 511.944 330.935 3501 206 33.897 6.576 25.645 48.595
#> 15 364.288 339.807 4705 252 40.185 9.944 27.843 60.686
#> 16 129.145 341.521 4669 234 38.855 6.691 29.609 54.141
#> 17 434.330 340.501 3116 212 33.065 8.979 21.542 52.009
#> 18 292.515 338.760 2965 199 31.712 7.643 20.571 46.781
#> 19 223.222 354.599 4488 232 38.505 7.570 29.338 55.286
#> 20 498.411 470.621 5210 252 41.281 8.345 29.623 60.357
#> 21 308.683 487.262 4533 229 38.319 6.631 29.971 54.713
#> 22 84.078 480.523 2332 193 29.368 8.879 17.488 48.069
#> 23 226.323 486.994 3135 191 31.717 5.640 24.535 44.892
#> 24 371.514 483.768 2760 204 31.569 8.953 19.394 50.121
#> 25 148.140 483.486 2951 194 31.403 6.644 22.607 44.706
#> 26 433.917 481.329 2398 167 27.794 5.255 21.054 39.377
#> 27 509.522 597.543 4126 227 37.323 8.504 25.566 55.340
#> 28 436.577 609.107 4402 244 39.098 9.515 27.745 60.022
#> 29 351.518 607.377 4467 239 38.535 8.099 27.426 57.037
#> majoraxis eccentricity theta
#> 1 110.487 0.873 -1.477
#> 2 88.615 0.810 1.429
#> 3 100.166 0.823 -1.497
#> 4 92.402 0.829 -1.544
#> 5 98.512 0.794 1.394
#> 6 108.542 0.790 1.486
#> 7 77.736 0.897 -1.438
#> 8 108.140 0.866 1.563
#> 9 87.737 0.768 1.401
#> 10 100.612 0.838 -1.375
#> 11 85.282 0.793 1.524
#> 12 65.385 0.746 1.362
#> 13 78.334 0.853 1.426
#> 14 86.541 0.799 -1.422
#> 15 107.329 0.851 1.457
#> 16 97.227 0.774 1.318
#> 17 91.071 0.876 1.516
#> 18 83.748 0.838 1.410
#> 19 97.278 0.793 -1.547
#> 20 107.314 0.814 1.562
#> 21 95.541 0.768 1.524
#> 22 80.031 0.879 1.505
#> 23 80.279 0.782 1.385
#> 24 83.050 0.850 -1.568
#> 25 80.337 0.810 1.300
#> 26 70.742 0.788 -1.556
#> 27 97.954 0.833 1.321
#> 28 102.819 0.842 1.499
#> 29 99.433 0.814 1.348
#>
#> 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
#> 1 251.827 88.586 6.314982 357.4114 56.31340 15.182949 35.21769
#> 2 64.960 79.962 4.897528 302.5333 48.93581 10.397295 35.64264
#> 3 408.070 90.175 6.070310 330.6759 53.86077 11.462494 37.04696
#> 4 179.724 86.368 5.080690 303.9404 49.38328 10.889791 35.40906
#> 5 332.504 91.975 6.263040 336.3044 55.02588 10.753299 41.93533
#> 6 498.407 102.802 7.683228 367.2613 60.73320 11.698892 46.63234
#> 7 120.801 85.475 2.776132 258.9122 38.97192 12.631820 20.75800
#> 8 430.150 221.936 6.194696 356.0043 56.10233 14.939516 37.28899
#> 9 122.323 219.556 5.232413 298.3119 49.49444 8.601795 36.15765
#> 10 207.319 228.060 5.876213 337.7116 54.04652 12.671220 38.39499
#> 11 508.632 223.664 4.719834 285.6477 47.15016 8.879000 35.17125
#> 12 352.955 213.333 3.046774 223.7339 37.41422 5.715768 29.63138
#> 13 283.566 223.032 3.408997 254.6908 40.64499 9.814743 26.56102
#> 14 511.944 330.935 4.785444 289.8691 47.69754 9.253297 36.08589
#> 15 364.288 339.807 6.431166 354.5971 56.54558 13.992516 39.17876
#> 16 129.145 341.521 6.381959 329.2688 54.67410 9.415117 41.66376
#> 17 434.330 340.501 4.259195 298.3119 46.52680 12.634634 30.31243
#> 18 292.515 338.760 4.052797 280.0192 44.62296 10.754706 28.94610
#> 19 223.222 354.599 6.134554 326.4545 54.18160 10.651986 41.28243
#> 20 498.411 470.621 7.121440 354.5971 58.08780 11.742513 41.68346
#> 21 308.683 487.262 6.196063 322.2331 53.91987 9.330689 42.17314
#> 22 84.078 480.523 3.187562 271.5764 41.32464 12.493921 24.60792
#> 23 226.323 486.994 4.285166 268.7621 44.62999 7.936222 34.52397
#> 24 371.514 483.768 3.772586 287.0548 44.42174 12.598049 27.28991
#> 25 148.140 483.486 4.033660 272.9835 44.18815 9.348982 31.81102
#> 26 433.917 481.329 3.277776 234.9910 39.10981 7.394476 29.62575
#> 27 509.522 597.543 5.639743 319.4189 52.51837 11.966247 35.97473
#> 28 436.577 609.107 6.017002 343.3401 55.01603 13.388857 39.04086
#> 29 351.518 607.377 6.105849 336.3044 54.22381 11.396358 38.59199
#> radius.max majoraxis eccentricity theta
#> 1 88.06955 155.4697 0.873 -1.477
#> 2 71.03763 124.6930 0.810 1.429
#> 3 78.51231 140.9467 0.823 -1.497
#> 4 72.89786 130.0218 0.829 -1.544
#> 5 80.08267 138.6193 0.794 1.394
#> 6 86.35144 152.7329 0.790 1.486
#> 7 63.29418 109.3848 0.897 -1.438
#> 8 88.10051 152.1672 0.866 1.563
#> 9 67.41145 123.4575 0.768 1.401
#> 10 81.58127 141.5743 0.838 -1.375
#> 11 67.05263 120.0030 0.793 1.524
#> 12 50.14173 92.0053 0.746 1.362
#> 13 60.82045 110.2262 0.853 1.426
#> 14 68.37956 121.7746 0.799 -1.422
#> 15 85.39318 151.0260 0.851 1.457
#> 16 76.18351 136.8112 0.774 1.318
#> 17 73.18350 128.1489 0.876 1.516
#> 18 65.82702 117.8445 0.838 1.410
#> 19 77.79467 136.8829 0.793 -1.547
#> 20 84.93024 151.0049 0.814 1.562
#> 21 76.98839 134.4388 0.768 1.524
#> 22 67.63941 112.6141 0.879 1.505
#> 23 63.16895 112.9631 0.782 1.385
#> 24 70.52684 116.8623 0.850 -1.568
#> 25 62.90722 113.0447 0.810 1.300
#> 26 55.40862 99.5433 0.788 -1.556
#> 27 77.87066 137.8342 0.833 1.321
#> 28 84.45885 144.6799 0.842 1.499
#> 29 80.25856 139.9153 0.814 1.348
#>
#> 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)