pdf - Beach Sand Code
Transcrição
pdf - Beach Sand Code
UNIVERSIDADE TÉCNICA DE LISBOA INSTITUTO SUPERIOR TÉCNICO Desenvolvimento de novas metodologias de análise de imagem para caracterização morfométrica de sedimentos Fátima Cristina Gomes Ponte Lira Orientador: Doutor Pedro Miguel Berardo Duarte Pina Co-Orientador: Doutor Rui Pires de Matos Taborda Tese aprovada em provas públicas para a obtenção do Grau de Doutor em Georrecursos Classificação atribuída pelo Júri: Aprovada com Muito Bom Júri Presidente: Presidente do Conselho Científico do IST Vogais: Doutor António Jorge Gonçalves de Sousa Doutor Rui Pires de Matos Taborda Doutora Maria Teresa da Cruz Carvalho Doutora Maria Teresa de Abrunhosa Barata Doutor João Pedro Veiga Ribeiro Cascalho Doutor Pedro Miguel Berardo Duarte Pina 2011 UNIVERSIDADE TÉCNICA DE LISBOA INSTITUTO SUPERIOR TÉCNICO Desenvolvimento de novas metodologias de análise de imagem para caracterização morfométrica de sedimentos Fátima Cristina Gomes Ponte Lira Orientador: Doutor Pedro Miguel Berardo Duarte Pina Co-Orientador: Doutor Rui Pires de Matos Taborda Tese aprovada em provas públicas para a obtenção do Grau de Doutor em Georrecursos Classificação atribuída pelo Júri: Aprovada com Muito Bom Júri Presidente: Presidente do Conselho Científico do IST Vogais: Doutor António Jorge Gonçalves de Sousa, Professor Catedrático do Instituto Superior Técnico, da Universidade Técnica de Lisboa Doutor Rui Pires de Matos Taborda, Professor Auxiliar da Faculdade de Ciências, da Universidade de Lisboa Doutora Maria Teresa da Cruz Carvalho, Professora Auxiliar do Instituto Superior Técnico, da Universidade Técnica de Lisboa Doutora Maria Teresa de Abrunhosa Barata, Investigadora Auxiliar da Faculdade de Ciências e Tecnologia, da Universidade de Coimbra Doutor João Pedro Veiga Ribeiro Cascalho, Investigador Auxiliar do Museu Nacional de História Nacional, da Universidade de Lisboa. Doutor Pedro Miguel Berardo Duarte Pina, Investigador Auxiliar do Instituto Superior Técnico, da Universidade Técnica de Lisboa Instituições Financiadoras: FCT - Fundação para a Ciência e Tecnologia - SFRH/BD/28229/2006 2011 To see a World in a Grain of Sand And a Heaven in a Wild Flower Hold Infinity in the palm of your hand And Eternity in an hour. William Blake, in Auguries of Innocence, 1803 iii Em memória do meu pai e dos meus avós v Agradecimentos Gostaria de manifestar o meu agradecimento a todos quantos estiveram ligados ao desenvolvimento deste trabalho, em especial: Aos orientadores, Professor Doutor Pedro Pina e Professor Doutor Rui Taborda, pela disponibilidade no esclarecimento de dúvidas e pelo constante incentivo à conclusão desta tese. À Doutora Aurora Rodrigues e Eng. Joaquim Pombo, do Instituto Hidrográfico, pela disponibilização do laboratório e de sedimentos para o começo deste trabalho, sem os quais estes estudos não teriam sido possíveis. Ao Professor Doutor César Andrade e ao Dr. Pedro Costa pela disponibilização de sedimentos para o estudo de diferentes problemáticas. Ao Doutor João Cascalho pela participação no projecto Beach Sand Code, que impulsionou este trabalho com a recolha de sedimento e permitiu por em prática protocolos de análise de imagem desenvolvidos. Ao Doutor David Rubin e Doutor Daniel Buscombe pelo meu estágio na USGS, onde tive a oportunidade de verificar como a análise de imagem pode ser útil à geologia costeira. Às minhas colegas Mónica Ribeiro, Catarina Guerreiro e Ivana Bosnic, pela ajuda no processamento das amostras, esclarecimento de dúvidas e processamento de imagens. Aos meus colegas de doutoramento José Saraiva e Lourenço Bandeira, pelo esclarecimento de dúvidas e participação em artigos. A toda a minha família e amigos, em especial ao Pedro Costa pelo incentivo diário durante as fases de desanimo e à Maura Lousada pela companhia e incentivo na recta final dos trabalhos. Por último, mas não em último, à minha mãe que sempre acreditou que seria capaz. vii Resumo O uso da análise de imagem na investigação em geociências tem conhecido, recentemente, uma desenvolvimento considerável. Uma vasta quantidade de literatura está disponível, com aplicações ao estudo de diversas características físicas de diferentes ambientes. No entanto, a aplicação ao estudo dos sedimentos está apenas agora a ser tomada como uma realidade fácil de ser aplicada. O advento das aplicações de processamento de análise de imagem para uso doméstico e a disponibilidade de imagens digitais de grande resolução e pormenor estão a servir para tornar a sua aplicação à análise dos sedimentos ao alcance de qualquer investigador. Os objectivos principais consistem na caracterização textural de partículas sedimentares de diversas dimensões e provenientes de diferentes ambientes usando técnicas de morfologia matemática. A finalidade principal foi o estabelecimento de novas metodologias de análise de imagem e respectivos protocolos de aplicação que podem ser facilmente usados por utilizadores não peritos em análise de imagem. Adicionalmente, foi realizado um trabalho de caracterização sedimentológica de sedimentos de diferentes origens, nomeado como casos de estudos, onde é possível verificar a implementação das novas metodologias e dos protocolos definidos. Este trabalho realça a elevada potencialidade do uso das granulometrias morfológicas, binárias e em cinzentos, na sua aplicação ao estudo da dimensão, possibilitando, esta última, uma análise das partículas no campo, com resultados de reprodutibilidade semelhantes aos métodos tradicionais, como a crivagem. Em relação à análise da forma, foram estabelecidas técnicas que permitem analisar a forma, arredondamento, circularidade e rugosidade de partículas sedimentares de forma completamente autónoma e independente de um operador, com rapidez de cálculo e significado geológico idêntico. Palavras-Chave: Análise de Imagem, Sedimentologia, Morfologia Matemática, Granulometrias binárias e em cinzentos, Max-trees e Análise da Forma ix Abstract The use of image analysis in geoscience has shown, in recent years, a considerable development. A vast amount of literature is available, documenting applications to the study of various physical characteristics in different environments. However, the application to the study of sediments is only now being seen as a concrete possibility. The advent of image analysis applications for domestic use and the availability of digital images of high resolution and detail is beginning to allow the application of image analysis to the study of sediments. The main objectives of this work were the textural characterization of sedimentary particles of diverse size and originating in different environments, through the application of mathematical morphology techniques. The final purpose was the establishment of new methods of image analysis and the creation of application protocols that can be easily followed by non-experts in this specific technique. Diverse case studies are presented, each one describing the characterization of sediments from a different source; they illustrate the implementation of the new methodologies and protocols defined in this work. From this work it is possible to conclude that there is vast potential in the use of the morphological granulometries, binary and grey level, in the dimensional study of sedimentary particles. The grey level morphological granulometries are even usable for in situ analysis of samples, with results that are as reproducible as those issuing from standard methods, like sieving. Regarding shape analysis, new techniques have been established that are capable of analyzing shape, elongation, circularity and roughness in a manner that is fast and independent from operator input while retaining geological significance. Key words: Image Analysis, Sedimentology, Mathematical Morfology, Binary and Grey-level garnulometries, Maxt-rees and Shape Analysis xi Índice I. Introdução .................................................................................... 1 I.1 Motivação ................................................................................................... 1 I.2 Objectivos Gerais ........................................................................................ 2 I.3 Organização ............................................................................................... 3 II. Estado da Arte ............................................................................... 5 II.1 Sedimentologia - Análise Textural ................................................................ 5 II.1.1 Análise Dimensional ................................................................................. 6 II.1.2 Análise da Forma..................................................................................... 6 II.1.3 Trabalhos principais ................................................................................. 6 II. 2 Análise de Imagem – Situação Actual .......................................................... 8 II. 3 Contribuições Originais ............................................................................ 11 III. Análise Dimensional ..................................................................... 13 III. 1 A análise granulométrica - Introdução ...................................................... 13 III.1.1 Métodos de Medição - Definição do Tamanho de uma Partícula ................. 14 III. 1.2 O Problema da Universalidade de Aplicação ............................................ 16 III.2 Métodos Correntes de Avaliação da Dimensão das Partículas ........................ 17 III.2.1 Crivagem Mecânica .............................................................................. 17 III.2.2 Granulometria por Difracção Laser ......................................................... 17 III.2.3. Análise de Imagem .............................................................................. 18 III.2.4 Outros Métodos.................................................................................... 18 III.3 Problemas da Definição de Tamanho de uma Partícula ................................. 19 III.3.1 O Efeito Teórico da Densidade ............................................................... 19 III.3.2 O Efeito Teórico da Forma ..................................................................... 20 III.3.3 Discussão ............................................................................................ 21 III.4 Crivagem - Uma Rápida Avaliação ............................................................. 22 xiii _______________________________________________________________Índice III.5 Análise de Imagem ................................................................................. 25 III.5.1 Métodos Estatísticos - A Autocorrelação .................................................. 26 III.5.1.1 Método de Rubin - Calibração ............................................................. 27 III.5.1.2 Método de Buscombe ......................................................................... 27 III.5.2 Morfologia Matemática .......................................................................... 29 III.5.2.1 Transformações Morfológicas de Base .................................................. 29 III.5.2.1.1 Erosão .......................................................................................... 29 III.5.2.1.2 Dilatação ....................................................................................... 30 III.5.2.1.3 Abertura ........................................................................................ 30 III.5.2.1.4 Fecho ............................................................................................ 30 III.5.2.1.5 Reconstrução ................................................................................. 31 III.5.2.2 Granulometria Morfológica Binária ....................................................... 31 III.5.2.3 Granulometria Morfológica em Cinzentos .............................................. 33 III.6 O conceito das Max-Tree .......................................................................... 34 III.6.1 Construção de uma Max-Tree ................................................................ 35 III.6.2 Vantagens da Max-Tree ........................................................................ 36 III.6.3 Testes com a Max-Tree ......................................................................... 36 III.6.3.1 Imagens Binárias .............................................................................. 37 III.6.3.2 Imagens de Cinzento ........................................................................ 40 III.6.4 Factor de Correcção.............................................................................. 43 III.6.4.1 Modelo Conceptual ............................................................................ 45 III.7 Simulação de Partículas Artificiais ............................................................. 48 III.7.1 O Problema da Sobreposição das Partículas ............................................. 48 III.7.2 Modelos de Estruturas Aleatórias ............................................................ 50 III.7.2.1 O Processo Pontual de Poisson ............................................................ 50 III.7.2.2 Partição do Espaço Euclidiano ............................................................. 51 III.7.2.3 Conjuntos e Funções Aleatórios ........................................................... 52 III.7.2.3.1 O Modelo Booleano ......................................................................... 52 xiv _______________________________________________________________Índice III.7.2.3.2 O Modelo das Folhas Mortas ............................................................. 54 III.7.3 Simulação de Partículas Sedimentares .................................................... 55 III.7.4 Resultados .......................................................................................... 56 III.8 Comparação dos Resultados da AI com a Crivagem e Difracção Laser ............ 59 III.8.1 Metodologia ......................................................................................... 59 III.8.2 Conjuntos de Amostragem .................................................................... 59 III.8.3 Aquisição das Imagens ......................................................................... 60 III.8.3.1 Calibração do Modelo para a Autocorrelação ......................................... 60 III.8.4 Resultados .......................................................................................... 61 III.8.5 Tempos de Computação ........................................................................ 66 III.9 Variabilidade Dentro do Método ................................................................ 68 III.9.1 Metodologia ......................................................................................... 68 III.9.2 Resultados .......................................................................................... 69 III.10 Protocolo de Aquisição de Imagem - Dimensão ......................................... 70 IV. Análise da Forma ......................................................................... 73 IV.1 Cálculo da Forma .................................................................................... 74 IV.1.1 Área Digital .......................................................................................... 74 IV.1.2 Diâmetro Digital ................................................................................... 75 IV.1.2.1 Diâmetro Equivalente ......................................................................... 75 IV.1.2.2 Diâmetro de Inércia Equivalente .......................................................... 75 IV.1.2.3 Diâmetro de Feret .............................................................................. 76 IV.1.2.4 Diâmetro de um Circulo Inscrito e Circunscrito ...................................... 77 IV.1.3 Perímetro Digital .................................................................................. 78 IV.1.3.1 Perímetro Digital Exterior e Interior ...................................................... 79 IV.1.3.2 Conexidade ....................................................................................... 79 IV. 1.4 Perímetro Digital – Calibração ............................................................... 80 IV.1.4.1 Objectos Circulares Digitais ................................................................. 80 IV.1.4.2 Métodos de Medição do Perímetro Digital .............................................. 81 xv _______________________________________________________________Índice IV.1.4.2.1 Número de Pixels ............................................................................ 81 IV.1.4.2.2.Método de Freeman ......................................................................... 81 IV.1.4.2.3 Método de Vossepoel e Smeulders .................................................... 82 IV.1.4.2.4 Método de Kulpa ............................................................................. 82 IV.1.4.2.5 Fórmula de Cauchy-Crofton .............................................................. 82 IV.1.4.3 Geração de Objectos Digitais de Forma Conhecida ................................. 84 IV.1.5 Resultados ........................................................................................... 85 IV.1.5.1 Tolerância à Rotação .......................................................................... 89 IV.1.6 Esfericidade/ Circularidade .................................................................... 95 IV.1.6.1 Momentos Geométricos – Método de Zuric ............................................ 95 IV.1.7 Rolamento/Rugosidade .......................................................................... 96 IV.1.7.1 Índices de Rolamento ......................................................................... 96 IV.1.7.2 Factor de Rugosidade ......................................................................... 98 IV.1.7.3 Comportamento a Diferentes Resoluções ............................................ 101 IV.2 Protocolo de Análise de Imagem - Forma ................................................. 102 V. Aplicações ................................................................................. 103 V.1 Análise Dimensional - Aplicação a Areias de Diferentes Ambientes ................ 104 V.1.2 Projecto Beach Sand Code .................................................................... 104 V.1.2.1 Praia do Alfeite (CODEA2) .................................................................. 105 V.1.2.1.1 Trabalho de Campo ........................................................................ 106 V.1.2.1.2 Resultados .................................................................................... 108 V.1.2.2 Lagoa de Albufeira ............................................................................ 111 V.1.2.2.1 Resultados .................................................................................... 112 V.1.2.3 Praia da Cornélia ............................................................................... 115 V.1.2.3.1 Trabalho de Campo ........................................................................ 115 V.1.2.3.2 Tempos de Computação .................................................................. 117 V.1.2.3.3 Resultados .................................................................................... 118 V.1.2.3.4 Amostras de controlo ..................................................................... 122 xvi _______________________________________________________________Índice V.1.2.4 Discussão......................................................................................... 124 V.1.3 Amostras de Tsunamis/Tempestitos ....................................................... 126 V.1.3.1 Metodologia...................................................................................... 127 V.1.3.2 Resultados ...................................................................................... 129 V.2 Análise da Forma - Morfometria................................................................ 134 V.2.1 Método ............................................................................................... 134 V.2.2.Preparação da Amostra ........................................................................ 135 V.2.3 Aquisição e Processamento de Imagem .................................................. 135 V.2.4 Resultados .......................................................................................... 137 V.2.5 Análise da Forma - Exoscopia ................................................................ 139 V.3 Marte – exemplos de análise dimensional em processamento remoto de imagens 143 V.3.1 Método de Calibração ........................................................................... 145 V.3.2 Aplicação às Imagens MI do Rover Opportunity ....................................... 150 V.3.3 Resultados .......................................................................................... 150 V.4 Discussão .............................................................................................. 154 VI. Conclusões e trabalhos futuros .................................................... 157 VII. Bibliografia................................................................................ 161 VIII. Apêndice................................................................................... 172 VIII.1 Conjuntos de amostragem ................................................................... 172 VIII.2 Comparação Crivagem/ Difracção Laser / AI / Autocorrelação ................... 176 VIII.3Aplicação do método de Autocorrelação .................................................. 180 VIII.4 Comparação entre crivagem, análise de imagem e granulometria laser ...... 187 VIII. 5 Estudo da forma ................................................................................ 195 xvii Índice de Figuras Figura 1. Variação do tamanho de uma esfera de acordo com a propriedade física que é usada para descrever o tamanho de uma partícula (azul). _______________________________________________ 15 Figura 2. Diâmetro nominal (massa) de elipsóides triaxiais com tamanho de crivagem constante. Retirado de Syvitski (1991). _____________________________________________________________________ 21 Figura 3. Imagem do sedimento da praia da Lagoa de Albufeira usado para a avaliação da crivagem. __ 23 Figura 4. Projecção da variação intra e inter amostra para o método da crivagem e respectivos erros quadráticos médios. ____________________________________________________________________ 24 Figura 5. Exemplificação de uma granulometria a partir da aplicação de sucessivas aberturas, utilizando um elemento estruturante em quadrado de tamanho ( ) crescente: =1, 2, 4, 8, 16, 24, 40, 64, da esquerda para a direita. ________________________________________________________________ 32 Figura 6. Exemplificação do processo de granulometria morfológica de cinzentos, com elemento estruturante crescente i=1, 2, 4, 8, 16, 24, 40 e 64, da esquerda para a direita. ____________________ 33 Figura 7. Criação de uma Max-Tree a partir de uma imagem. Adpatado de Garrido (2002). __________ 35 Figura 8. Exemplo da criação da estrutura de uma max-Tree. a) Imagem original e b) Árvore final. ____ 36 Os testes começaram, naturalmente, pela situação mais simples, como é o caso das imagens binárias. Neste sentido, foram criadas imagens teste com dois tipos de partículas: partículas redondas e partículas quadradas (Figura 9). Estas imagens foram então processadas com todos os operadores morfológicos referidos anteriormente. Os resultados que podem ser observados nas Figura 10 e Figura 11 dizem respeito às imagens da Figura 9. Estas imagens foram criadas com 30 partículas em forma de disco e quadrado, com 61 pixels de diâmetro. Os resultados obtidos constituem uma visão global das restantes imagens criadas. ______________________________________________________________________ 37 Figura 9. Imagens teste em binário: a) 30 partículas em forma de disco com 61 pixels de diâmetro e b) 30 partículas em forma de quadrado com 61 pixels de lado. ______________________________________ 37 Na Figura 11 os resultados são iguais para todos os operadores, novamente com a excepção da abertura em forma de caixa com representação em max-tree, onde ocorre uma clara sobre-estimação dos resultados dimensionais. ________________________________________________________________ 38 Figura 10. Projecção das granulometrias morfológicas binárias da imagem teste com os diferentes algoritmos de cálculo com elemento estruturante em quadrado e tamanho i=1:100, para a Figura 9 a). 39 Figura 11. Projecção das granulometrias morfológicas binárias da imagem teste com os diferentes algoritmos de cálculo com elemento estruturante em quadrado e tamanho i=1:100, para a imagem Figura 9 b)._________________________________________________________________________________ 39 xviii ______________________________________________________Índice de Figuras Figura 12. Imagens teste em cinzento: a) 30 partículas em forma de disco com 61 pixels de diametro e b) 30 partículas em forma de quadrado com 61 pixels de lado.____________________________________ 40 Figura 13. Projecção das granulometrias morfológicas em cinzentos da imagem teste com os diferentes algoritmos de cálculo com elemento estruturante em forma de disco e tamanho i=1:100, para a Figura 12 a). __________________________________________________________________________________ 42 Figura 14. Projecção das granulometrias morfológicas em cinzentos da imagem teste com os diferentes algoritmos de cálculo com elemento estruturante em forma de quadrado e tamanho i=1:100, para a Figura 12 b). __________________________________________________________________________ 42 Figura 15. Imagem da amostra BSC1. ______________________________________________________ 43 Figura 16. Perfil de níveis de cinzento de um segmento de recta numa imagem de cinzentos original e após aberturas com elemento estruturante de tamanho 16, 24 e 40. _________________________________ 44 Figura 17. Projecção da curva de distribuição granulométrica calculada com granulometria morfológica em cinzento sem correcção, com correcção do valor máximo, com correcção do valor máximo e mínimo em comparação com o método da crivagem. Amostra da Praia da Lagoa de Albufeira (BSC1). ________ 45 Figura 18. Fluxograma do processo de cálculo de curvas granulométricas com granulometrias morfológicas. _________________________________________________________________________ 47 Figura 19. Processo pontual de Poisson: a) matriz 100x100 com n=50; b) matriz 100x100 e n=200. ____ 51 Figura 20. Partição do espaço pelo modelo de Voronoi: a) processo pontual de Poisson com n=200, para uma matriz de 100x100; b) Esqueleto das zonas de influência. __________________________________ 52 Figura 21. Implementação de um modelo booleano para n=100: a) 8 partículas, b) 25 partículas, c) 71 partículas e d) 100 partículas. ____________________________________________________________ 53 Figura 22. Implementação de um processo de folhas mortas com uma fase para t=100. _____________ 54 Figura 23. Construção de uma tesselagem de folhas mortas. a) Tesselagem colorida com 1000 grãos que variam de tamanho entre 3 e 81 pixels e cor [1, 255]; b) Tesselagem com função de distância em disco com raio de 21 pixels. ______________________________________________________________________ 55 Figura 24. Tesselagens de folhas mortas coloridas com partículas simuladas com forma: a) circular e b) polígonal. ____________________________________________________________________________ 57 Figura 25. Tesselagens de folhas mortas coloridas com partículas reais (Powers, 1957). As imagens tem 1000x1000 pixels com 5000 partículas. ____________________________________________________ 57 Figura 26. Tesselagens de folhas mortas com função de disco e partículas reais (Powers, 1957). As imagens tem 1000x1000 pixels com 5000 partículas. _________________________________________________ 58 Figura 27. Projecção da média das curvas da GRS e da média das curvas medidas nas imagens finais com o método de granulometrias morfológicas em cinzentos. O fuso a vermelho representa 20% do erro da curva média. _______________________________________________________________________________ 58 Figura 28. Dispersão do D50 entre Crivagem e Difracção laser para DS1. _________________________ 62 xix ______________________________________________________Índice de Figuras Figura 29. Dispersão do D50 entre Crivagem e Análise de Imagem binária com separação dos grãos para o DS1._________________________________________________________________________________ 63 Figura 30. Dispersão do D50 entre Crivagem e Autocorrelação para o DS1. _______________________ 63 Figura 31. Dispersão do D50 entre Crivagem e Análise de Imagem em cinzento para DS1. ____________ 64 Figura 32. Dispersão do D50 entre Crivagem e Análise de Imagem binário com separação para DS2. ___ 64 Figura 33. Dispersão do D50 entre Crivagem e Análise de Imagem em binário sem separação para DS2. 65 Figura 34. Dispersão do D50 entre Crivagem e Autocorrelação em cinzento para DS2. _______________ 65 Figura 35. Dispersão do D50 entre Crivagem e Análise de Imagem em cinzento para DS2. ____________ 66 Figura 36. O estimador de área e a sua robustez em relação à resolução do objecto. ________________ 75 Figura 37. Perímetro Interior e Exterior de um objecto circular para as conexidades 4 e 8. ____________ 80 Figura 38. Direcções de codificação da cadeia de código de Freeman para malha quadrada e conexidade 8. ____________________________________________________________________________________ 82 Figura 39. Exemplos de geração automática de círculos digitais para os raios 1, 2, 3, 5, 8 e 12. _______ 84 Figura 40. Representação visual de algumas das formas elípticas geradas em relação aos eixos principais a/b. _________________________________________________________________________________ 85 Figura 41. Factor de Forma de objectos circulares de raio crescente para cada uma das seis técnicas diferentes de cálculo do perímetro. ________________________________________________________ 85 Figura 42. Relação entre perímetro real e perímetro digital de objectos elípticos de raio crescente para cada uma das seis técnicas diferentes de cálculo do perímetro. Pontos pretos representam o perímetro real._________________________________________________________________________________ 87 Figura 43. Factor de Forma de objectos com forma poligonal de raio crescente para cada uma das seis técnicas diferentes de cálculo do perímetro. ________________________________________________ 88 Figura 44. Estimação do perímetro de uma partícula elipsoidal (r=100) com os métodos de interpolação: a) Vizinho mais próximo, b) Bilinear e c) Bicúbico e da Área (d)). __________________________________ 90 Figura 45. Estimação do perímetro de uma partícula elipsoidal (a=50, b=60) com os métodos de interpolação: a) Vizinho mais próximo, b) Bilinear e c) Bicúbico e da Área (d)). _____________________ 91 Figura 46. Estimação do perímetro de uma partícula elipsoidal (a=50, b=80) com os métodos de interpolação: a) Vizinho mais próximo, b) Bilinear e c) Bicúbico e da Área (d)). _____________________ 92 Figura 47. . Estimação do perímetro de uma partícula elipsoidal (a=50, b=120) com os métodos de interpolação: a) Vizinho mais próximo, b) Bilinear e c) Bicúbico e da Área (d)). _____________________ 93 Figura 48. Partículas de areia digitalizadas com resolução crescente. Partícula A na esquerda e partícula B à direita da imagem. ___________________________________________________________________ 94 Figura 49. Tolerância do Factor de Forma de partículas reais em relação à resolução da partícula. ____ 94 Figura 50. Escala visual de Krumbein (1941b) para determinação do arredondamento de Wadell (1933). 97 xx ______________________________________________________Índice de Figuras Figura 51. Escala de comparação visual segundo Powers (1953) e redesenhada por Pettijohn et al. (1973). As partículas de cima apresentam grau de esfericidade elevado, as partículas inferiores grau de esfericidade baixo: 1- muito anguloso; 2- anguloso; 3- subanguloso; 4- arredondado; 5- redondo; 6- muito redondo (Galopim de Carvalho, 2005). _____________________________________________________ 97 Figura 52. Escala visual de comparação do grau de rolamento desenvolvida por Powers. Adaptado de Powers (1953) e Shepard (1973) com as seguintes classes de rolamento: 1 – Muito angular, 2 – Angular, 3 – Sub-angular, 4 – Sub-rolado, 5 – Rolado e 6 – Bem rolado. ___________________________________ 97 Figura 53. Envelope convexo (região verde) de uma partícula (região cinzenta) e respectivos perímetros. 99 Figura 54. Projecção dos Índices de Rugosidade calculados para as classes de rolamento da escala Powers a diferentes resoluções: Pw1 – Muito Angular, Pw2 – Angular, Pw3 – Sub-angular, Pw4 – Sub-rolado, Pw5 – Rolado e Pw6 – Bem Rolado. __________________________________________________________ 101 Figura 55. Localização da Praia do Alfeite e zona de estudo (amarelo). Retirado de Ribeiro et al. (2010a). ___________________________________________________________________________________ 105 Figura 56. Exemplo de uma imagem obtida durante a fase de aquisição de imagem, com o uso de um scanner. ____________________________________________________________________________ 107 Figura 57. Projecção das curvas de distribuição granulométrica das amostras de Face de Praia colhidas no perfil transversal. _____________________________________________________________________ 109 Figura 58. Projecção das curvas de distribuição granulométrica das amostras de swash colhidas no perfil transversal. __________________________________________________________________________ 110 Figura 59. Projecção do D50 em função da sua posição no perfil e da hora a que foi colhida a amostra. 110 Figura 60. Projecção do Desvio Padrão em função da sua posição no perfil e da hora a que foi colhida a amostra. ____________________________________________________________________________ 111 Figura 61. Localização da Praia da Lagoa de Albufeira. Retirado de Ribeiro et al. (2010b). __________ 112 Figura 62. Projecção das distribuições granulométricas de 3 amostras de praia calculadas com os métodos de crivagem (tracejado) e granulometria morfológica e cinzentos com max-trees (cheio). ___________ 113 Figura 63. Projecção da curva de distribuição granulométrica com percentagem relativa para a amostra BC1.________________________________________________________________________________ 113 Figura 64. Projecção da curva de distribuição granulométrica com percentagem relativa para a amostra BC3.________________________________________________________________________________ 114 Figura 65. Projecção da curva de distribuição granulométrica com percentagem relativa para a amostra BC6.________________________________________________________________________________ 114 Figura 66. Localização da Praia da Cornélia. Imagem retirada de Ribeiro et al. (2010c)._____________ 115 Figura 67. Perfil transversal de praia. Os pontos representados mostram a localização da zona de aquisição de imagem e da colheita das amostras de controlo. Retirado de Ribeiro et al. (2010c). _____ 116 xxi ______________________________________________________Índice de Figuras Figura 68. Projecção dos valores dos percentis d05 e d16 para os 39 pontos amostrados do perfil transversal. __________________________________________________________________________ 119 Figura 69. Projecção dos valores dos percentis d25 e d50 para os 39 pontos amostrados do perfil transversal. __________________________________________________________________________ 120 Figura 70. Projecção dos valores dos percentis d75 e d84 para os 39 pontos amostrados do perfil transversal. __________________________________________________________________________ 121 Figura 71. Projecção dos valores do percentil d95 para os 39 pontos amostrados do perfil transversal. 122 Figura 72. Projecção das amostras de controlo. As curvas granulométricas obtidas por crivagem estão representadas a tracejado e as curvas correspondentes à granulometria morfológica binária estão representadas a cheio. A mesma zona de amostragem está representada na mesma cor. ___________ 123 Figura 73. Nível bioclástico amostrado e referenciado como P25. Pode ser observada a elevada quantidade de biolastos presentes na imagem, cobrindo totalmente o nível arenoso que se encontra por baixo destes bioclastos. __________________________________________________________________________ 124 Figura 74. Imagem do nível arenoso do Box-core BDR-T2. ____________________________________ 128 Figura 75. Imagem do nível arenoso do Box-core BDR-T1. ____________________________________ 128 Figura 76. Projecção do D50 da imagem box-core BDR-T2 para uma janela móvel de 150 pixels. Tamanho em mm. ____________________________________________________________________________ 131 Figura 77. Projecção da D50 em mm da imagem box-core BDR-T1 para uma janela móvel de 150 pixels. Tamanho em mm. ____________________________________________________________________ 131 Figura 78. Projecção da D50 em mm da imagem box-core BDR-T2 para uma janela móvel de 300 pixels. Tamanho em mm. ____________________________________________________________________ 132 Figura 79. Projecção do D50 em mm da imagem box-core BDR-T1 com janela móvel de 300 pixels. Tamanho em mm. ____________________________________________________________________ 132 Figura 80 . Projecção do D50 em mm da imagem box-core BDR-T2 com janela móvel de 500 pixels. Tamanho em mm. ____________________________________________________________________ 133 Figura 81. Projecção do D50 em mm da imagem box-core BDR-T1 com janela móvel de 500 pixels. Tamanho em mm. ____________________________________________________________________ 133 Figura 82. Fluxograma dos passos do algoritmo de processamento de imagem. ___________________ 136 Figura 83. Projecção da média do IR versus fracção granulométrica para os quatro tipos de ambientes sedimentares. ________________________________________________________________________ 138 Figura 84. Projecção da média dos parâmetros morfológicos versus fracção granulométrica para os quatro tipos de ambientes sedimentares: IC - Índice de Circularidade; IE - Índice de Alongamento e IS - Índice de Forma. _____________________________________________________________________________ 139 Figura 85. Exemplo do pré-processamento (direita) realizado na imagem original (esquerda). _______ 140 xxii ______________________________________________________Índice de Figuras Figura 86. Projecção do Índice de Alongamento (IE) versus a Circularidade (IC) para as 149 partículas analisadas. __________________________________________________________________________ 141 Figura 87. Projecção do Índice de Alongamento (IE) versus o Índice de Rugosidade (IR) para as 149 partículas analisadas. _________________________________________________________________ 142 Figura 88. Percurso do rover Opportunity na superfície de Marte (esquerda) e respectiva localização no planeta (direita). _____________________________________________________________________ 144 Figura 89. Exemplificação das imagens usadas para na calibração do modelo. a) Ground-Truth, b) imagem de cinzentos com fundo uniforme e c) Imagem real. _________________________________________ 145 Figura 90. Variação no cálculo da imagem sem tratamento e das restantes duas situações: binário e em cinzentos com fundo uniforme. __________________________________________________________ 148 Figura 91. Projecção de todas as curvas calculadas para todas as amostras das imagens binária. ____ 149 Figura 92. Projecção de todas as curvas calculadas para todas as amostras das imagens em cinzento. 149 Figura 93. Curvas de distribuição granulométrica para todas as imagens reunidas para o percurso do rover Opportunity e respectiva imagem para comparação visual. A percentagem é acumulada (eixo dos YY) e o tamanho é medido em mm (eixo dos XX). _________________________________________________ 153 Figura 94. Projecção das curvas de distribuição granulométrica para os 4 principais tipos de sedimentos encontrados: 129426966 - partículas grandes em matriz fina; 132808239 - partículas menores em matriz fina; 160851752 - partículas mais finas e 19275474 - solo (matriz fina) e algumas partículas pequenas. 154 Figura I. Conjunto de amostragem DS1. __________________________________________________ 175 Figura II. Conjunto de amostragem DS2.__________________________________________________ 176 Figura III. Projecção das curvas granulométricas com percentagem acumulada medidas por crivagem, _______ 179 Figura IV. Projecção das curvas de autocorrelação para a dimensão 63 m. _____________________ 180 Figura V. Projecção das curvas de autocorrelação para a dimensão 90 m. _____________________ 180 Figura VI. Projecção das curvas de autocorrelação para a dimensão 125 m. ____________________ 181 Figura VII. Projecção das curvas de autocorrelação para a dimensão 180 m. ___________________ 181 Figura VIII. Projecção das curvas de autocorrelação para a dimensão 250 m. ___________________ 182 Figura IX. Projecção das curvas de autocorrelação para a dimensão 500 m. ____________________ 182 Figura X. Projecção das curvas de autocorrelação para a dimensão 710 m. ____________________ 183 Figura XI. Projecção das curvas de autocorrelação para a dimensão 1000 m. ___________________ 183 Figura XII. Projecção das curvas de autocorrelação para a dimensão 1400 m. __________________ 184 Figura XIII. Projecção das curvas de autocorrelação para a dimensão 2000 m. __________________ 184 Figura XIV. Projecção das curvas de autocorrelação para a dimensão 2830 m. __________________ 185 Figura XV. Projecção das curvas de autocorrelação para a dimensão 4000 m. __________________ 185 Figura XVI. Projecção das curvas de autocorrelação para a dimensão 5600 m. __________________ 186 xxiii ______________________________________________________Índice de Figuras Figura XVII. Projecção das curvas de autocorrelação para todas as amostras e classes granulométricas. ___________________________________________________________________________________ 186 Figura XVIII. Dispersão do D5, D16, D25, D75, D84 e D95 entre Crivagem e Difracção Laser para o conjunto DS1. ________________________________________________________________________ 188 Figura XIX. Dispersão do D5, D16, D25, D75, D84 e D95 entre Crivagem e AI binária com separação dos grãos para o conjunto DS1. _____________________________________________________________ 190 Figura XX. Dispersão do D5, D16, D25, D75, D84 e D95 entre Crivagem e Autocorrelacção para o conjunto DS1.________________________________________________________________________________ 192 xxiv Notação 1. Parâmetros a0 Distância unitária entre pixels na direcção horizontal (0º) Número de ocorrências consecutivas de elementos de igual valor na cadeia de código nc Freeman ni Número de elementos ímpares numa cadeia de código Freeman np Número de elementos pares numa cadeia de código Freeman pc Pixel central de um círculo digital. pi Pixel de uma imagem rsa Autocorrelação espacial x pi e y pi Intensidades dos pixels correspondentes nas duas plaquetas B Elemento estruturante de tamanho t tempo Índice espacial (intervalo) Unidade imaginária Número de vezes que apresenta a mesma fase 2. Medidas Asp Área da superfície de uma partícula C (S ) Medida de circularidade – Método de Zuric & Hirota FR Factor de Rugosidade N1 Número de conexidade para um conjunto sistemático de linhas paralelas numa determinada direcção P Perímetro de uma partícula Pecx Perímetro do envelope convexo de uma partícula medido pela fórmula de Cauchy-Crofton PFree Perímetro de uma partícula medido pelo método de Freeman Pp Perímetro de uma partícula medido pela fórmula de Cauchy-Crofton xxv _____________________________________________________________Notação PKul Perímetro de uma partícula medido pela fórmula de Kulpa PVoss Perímetro de uma partícula medido pela fórmula de Vossepoel Sf Factor de forma Granulometria binária do conjunto X Granulometria em cinzentos do conjunto Nó de uma Max-Tree Componente pico de uma Max-Tree N(t) Número de eventos num determinado tempo t que sege um a distribuição de Poisson. R Função de autocorrelação bidimensional Densidade espectral de uma imagem cujo valor foi normalizado com a média Transformação inversa de Fourier da densidade espectral 3. Abreviaturas Conjunto X 4. Transformação da Imagem Erosão do conjunto / função Dilatação do conjunto / função Abertura do conjunto X Fecho do conjunto / função X com o elemento estruturante / função f com o elemento estruturante f com o elemento estruturante com o elemento estruturante B B Subtracção de Minkowski Adição de Minkowski 5. Acrónimos AI Análise de Imagem LD Difracção laser ou granulometria laser EQM Erro quadrático médio IR Índice de Rugosidade IC Índice de Circularidade IE Índice de Alongamento IS Índice de Forma GRS Granulometrias reais simuladas xxvi ______________________________________________________Índice de Figuras FP Face de Praia xxvii I. Introdução “Unicamente para lhes dar uma ideia de conjunto, explicava-lhes ele, pois era necessário, evidentemente que possuíssem um simulacro de ideia de conjunto, já que se desejava que fizessem inteligentemente o seu trabalho." Aldous Huxley, in Admirável Mundo Novo, 1932 I.1 Motivação A análise de imagem (AI) tem vindo a conhecer, nos anos mais recentes, um incremento nas áreas de aplicação, bem como no desenvolvimento de novos algoritmos. Esta situação é motivada pelo constante desenvolvimento da informática para resolver os problemas do dia-a-dia e, simultaneamente, pelo avanço das tecnologias de informação. Assiste-se cada vez mais à tentativa de automatizar processos tornando-os cada vez mais rápidos e eficientes, mas também mais representativos do ponto de vista estatístico, analisando um conjunto mais alargado de dados. 1 __________________________________________________________I Introdução Foi no sentido da automatização de processos de caracterização de sedimentos arenosos, actualmente realizados a nível laboratorial, que em 2006 surge a minha tese de mestrado (Lira, 2006), onde é aplicada a morfologia matemática para o estudo da caracterização de areias. Deste trabalho resultou uma conclusão principal: a elevada potencialidade das técnicas de AI e, em especial, da morfologia matemática na análise de tipo de sedimentos, permitindo a obtenção rápida e fiável de informação, com significado geológico semelhante aos métodos tradicionais. Devido ao elevado potencial revelado pela AI, resolve-se aprofundar a investigação, dando continuidade aos resultados já previamente apresentados, de forma a generalizar as metodologias aplicadas e encontrar novas aproximações para a resolução de outro tipo de problemas. Desta forma, este trabalho levanta novas questões e tenta aprofundar este campo de conhecimento. Aborda-se a extensão a outros tipos e escalas de sedimentos com a caracterização de materiais mais grosseiros que as areias, ao desenvolvimento de novas metodologias e protocolos de AI que possam ser operacionalizados, de forma fácil e económica, possibilitando a aplicação da AI no estudo de sedimentos grosseiros acessível a qualquer investigador. I.2 Objectivos Gerais O objectivo principal deste trabalho é o desenvolvimento de metodologias automáticas de medição das principais características texturais de partículas sedimentares, utilizando métodos de análise de imagem. Com a utilização destas técnicas, pretende-se o desenvolvimento de métodos mais eficientes e rápidos na obtenção da informação sedimentológica comparativamente aos métodos tradicionais, permitindo obter informação simultânea da dimensão e forma das partículas. Nesta medida as novas metodologias permitirão: 1. Efectuar análises granulométricas com resultados semelhantes e com significado geológico idêntico aos métodos tradicionais, mas com um custo (nas suas diversas vertentes) significativamente inferior. 2 _________________________________________________________I. Introdução 2. Obter análises da forma de modo rápido, com significado idêntico aos métodos visuais correntemente utilizados e analisando um maior número de partículas. 3. Obter protocolos de uso da análise de imagem (AI) para a extracção de informação granulométrica e morfométrica que possam ser facilmente transponíveis para a realidade por qualquer utilizador não especialista em técnicas de AI. 4. Avaliar o uso das metodologias de análise dimensional in situ, no cálculo do tamanho e forma de grãos artificialmente criados - modelos artificiais de sedimentos. 5. Aplicação das metodologias desenvolvidas a diversos casos de estudo, de forma a realçar a potencialidade da aplicação das técnicas de AI quando no campo da sedimentologia. I.3 Organização O presente trabalho encontra-se organizado em três secções principais: Análise dimensional, Análise da forma e Aplicações. A secção de Análise dimensional introduz os diferentes métodos de Análise dimensional, avaliando as suas capacidades e limitações. Apresenta-se, de seguida, as diferentes técnicas de AI para a medição do tamanho de objectos, avaliando-se a potencialidade e limitações e introduzindo-se as modificações necessárias de forma a minimizar as limitações e permitindo que o seu alcance seja universal. A avaliação das capacidades e limitações é realçada a partir da simulação artificial de partículas sedimentares. No fim desta secção apresenta-se o desenvolvimento protocolar dos métodos desenvolvidos. Na secção de Análise da forma dá-se uma visão geral dos métodos existentes, apresenta-se uma visão crítica da aplicação dos métodos de AI ao estudo desta propriedade e termina-se com o desenvolvimento protocolar a aplicar no seguimento das novas metodologias desenvolvidas. A última grande secção consiste na aplicação dos métodos desenvolvidos ao estudo de problemas específicos no âmbito da sedimentologia. Nesta secção são postos em 3 __________________________________________________________I Introdução prática os protocolos desenvolvidos anteriormente, evidenciando o potencial das técnicas AI com a sua aplicação a diferentes tipos de partículas, como demonstração da universalidade destas. 4 II. Estado da Arte "É sempre mais fácil reagir do que ser original. Vais ver que o mesmo se aplica à arte e à vida." Robert Wilson, in O Cego de Sevilha, 2004 II.1 Sedimentologia - Análise Textural O termo sedimentologia foi introduzido por Wadell em 1932 e afirmou-se desde a década de 40 do séc. XX como uma das mais importantes disciplinas das Ciências da Terra, desenvolvendo técnicas e metodologias orientadas para o estudo das rochas sedimentares. Durante a primeira metade do século XX surgiu a necessidade de observação e estudo dos componentes terrígenos em separado, levando ao desenvolvimento de técnicas sedimentológicas especialmente concebidas para aplicação às diferentes classes dimensionais – seixos, areias e pelitos1 (Galopim de Carvalho, 2005). 1 Conjunto de siltes e argilas. 5 ______________________________________________________II Estado da Arte II.1.1 Análise Dimensional A análise dimensional de partículas sedimentares inicia-se em finais no século XIX, inícios do século XX com figuras como J. A. Udden (1898), A. Atterberg (1905) e S. Odén (1915), que introduzem a utilização rotineira do estudo da análise dimensional na investigação sedimentológica. Desde dimensional conhece uma evolução estes primeiros significativa, vindo trabalhos a a aumentar análise a sua importância. Os trabalhos publicados em inícios e meados do século XX fixam as bases teóricas, através do desenvolvimento matemático e fundamentação das leis da física que a suportam e, simultaneamente, desenvolvem o domínio experimental, com a criação de variadíssimas técnicas de medição do tamanho das partículas sedimentares. II.1.2 Análise da Forma A par da análise dimensional o estudo da forma também se inicia em finais do século XIX, inícios do século XX. Os estudos principais, muitos deles, apresentam mesmo os conceitos teóricos que permitem extrair as características geológicas associadas a ambos os parâmetros de tamanho e forma. A investigação pioneira de Daubrée (1879), em relação à interpretação geológica do estudo da forma, abre caminho aos trabalhos subsequentes que demonstram a importância do estudo deste parâmetro. Um ano depois Sorby (1880) demonstra que importa analisar não só o significado da forma, mas também a textura superficial dos grãos de areia, nomeadamente os grãos de quartzo (Galopim de Carvalho, 2005). Nos anos 30 é estabelecida a diferença entre arredondamento e esfericidade, considerando o primeiro como o desgaste promovido pelos agentes de erosão. II.1.3 Trabalhos principais Uma vez que os trabalhos nesta área constituem as bases teóricas da análises textural realizada actualmente, importa conhecer quais as principais contribuições nesta área. Em 1919 Wentworth publica ―A laboratory and field study of cobble abrasion‖, abrindo portas para os trabalhos seguintes que definiram a análise dimensional na 6 ______________________________________________________II Estado da Arte investigação sedimentológica e em 1922 define uma nova escala dimensional baseada na escala de Udden (1914). Por outro lado, Wadell, em 1932, desenvolve um novo método para a determinação do grau de arredondamento das partículas, estabelecendo a diferença entre esfericidade e arredondamento (Waddel 1933, 1935). Seguem-se os trabalhos de Krumbein (1934, 1935) e Krumbein & Pettijohn (1938), sendo este último de particular referência uma vez que é uma obra síntese das preocupações da sedimentologia no estudo da dimensão, forma e desgaste dos clastos. Na década de 40 do séc. XX surgem os trabalhos de Krumbein (1941 a,b) e Pye & Pye (1943), onde se dá particular destaque à forma e arredondamento das partículas e à relevância do significado geológico destes descritores. O tratamento estatístico dos resultados obtidos pela análise dimensional generalizouse com Kumbrein (1934) usando-se o método dos quartis e com Wentworth (1929) e Kumbrein (1938) com o uso do método dos momentos. Devido à morosidade destes métodos Inman (1952) desenvolve novos parâmetros baseados no método dos momentos, o mesmo acontecendo com Folk & Ward (1957) e Friedman & Sanders (1978). Outros trabalhos de referência e igualmente importantes para esta área são os desenvolvidos por Morris (1957) com os efeitos da esfericidade, arredondamento e velocidade de tracção no transporte de areias; Friedman (1961, 1967, 1979) com a distinção nas diferenças texturais dos diversos tipos de areias; Dobkins & Folk (1970), com o seu trabalho sobre a forma de balastros. Trabalhos mais recentes no âmbito da análise dimensional centram-se na comparação das diferentes técnicas de medição do tamanho. Os trabalhos mais comuns comparam a crivagem (método mais utilizado) com outras técnicas mais modernas, algumas já desenvolvidas e certificadas (como a granulometria laser). O principal objectivo é avaliar qual ou quais as melhores técnicas a utilizar para cada tipo de sedimento, avaliando também a possibilidade de incorporação e comparação 7 ______________________________________________________II Estado da Arte entre diferentes técnicas. Um bom exemplo destes trabalhos são: Syvitski, 1991, Beuselinck et al., 1998 e German-Rodríguez & Uriarte, 2009). Os trabalhos mais recentes na caracterização da forma centram-se, igualmente, na comparação das técnicas mais usadas na análise da forma, nomeadamente a nível laboratorial e com utilização de um operador experiente com técnicas que envolvam o reconhecimento automático. Blott & Pye., 2008 apresenta uma boa visão global do que tem sido estudado. II. 2 Análise de Imagem – Situação Actual A análise de imagem (AI) tem por principal objectivo a extracção de informação com significado a partir de imagens digitais, recorrendo a técnicas de processamento que podem ser simples ou bastante sofisticadas. A ideia principal por detrás da análise de imagem é a reprodução do que o olho humano e córtex visual fazem melhor que qualquer instrumento: processar e analisar imagens retirando informação complexa a partir desse mesmo suporte. Actualmente, o processamento e análise de imagem é feito por meios computacionais, devido à grande expansão computacional das últimas décadas, onde computadores com processadores cada vez mais potentes podem ser facilmente adquiridos e utilizados. No entanto, esta utilização apenas se popularizou na década de 60, com as primeiras imagens digitais obtidas durante a exploração espacial da Lua. A obtenção de imagens digitais depressa se expandiu a todos os ramos científicos, as áreas de aplicação multiplicaram-se e a análise de imagem é, hoje em dia, amplamente utilizada para solucionar problemas em todos os domínios científicos, bem como industriais. No que diz respeito às geociências e, em particular, à sedimentologia, muitos trabalhos têm sido desenvolvidos, a maioria deles focados na tentativa de resolução de problemáticas específicas. Francus (1998), Herwegh (2000), Adrianni & Alsaleh (2002), Lagrou et al. (2004) e Perring et al. (2004) orientaram as suas pesquisas na quantificação das características texturais por análise de imagens petrográficas com recurso à AI, onde o objecto preferencial de estudo são sedimentos consolidados e não consolidados em lâmina delgada. 8 ______________________________________________________II Estado da Arte O problema de sedimentos em lâmina delgada é a ausência de fundo uniforme que permita a limiarização das partículas individuais. Este problema foi ultrapassado com, sucesso pelos autores atrás referidos, mas os algoritmos obtidos podem ser apenas aplicados com sucesso aos objectos de estudo específicos dos trabalhos desenvolvidos. A aplicação a sedimentos grosseiros, nomeadamente balastros, em ambientes costeiros e lacustres é feita por Graham et al. (2005) e Graham et al. (2005). Estes autores desenvolvem técnicas de análise de imagem que permitem extrair o tamanho dos balastros a partir da detecção da fronteira entre as diferentes partículas. Embora tenham realizado com sucesso a separação e cálculo do tamanho de partículas muito grosseiras sobrepostas e sem fundo uniforme, um algoritmo universal que seja transferível para outras classes dimensionais continua a não ser apresentado. Quanto a uma aplicação exclusivamente à classe das areias, Rubin (2004), Barnard et al. (2007) e Buscombe et al. (2010) desenvolveram uma técnica rápida e eficiente de extrair o diâmetro médio de imagens de areia provenientes de diferentes ambientes, com aplicação in situ. Embora a técnica tenha rápida execução necessita de uma fase prévia de calibração, onde as amostras típicas de cada local estudado são crivadas e separadas em diferentes fracções. Cada fracção é, por sua vez, analisada e uma matriz de calibração é construída, possibilitando depois a rápida aplicação do método a um conjunto mais alargado de amostras. Buscombe & Masselink (2009) e Warrick et al. (2009) apresentam um algoritmo que permite obter o tamanho médio de sedimentos grosseiros a areias grosseiras in situ, mas não eliminando a necessidade de calibração. Buscombe et al. (2010) elimina o processo de calibração através da extensão do conceito de autocorrelação do domínio espacial para o domínio espectral. Embora a necessidade de calibração seja excluída o método é apenas capaz de medir o diâmetro médio do sedimento analisado. Aplicação a níveis industriais pode ser exemplificada por: Pearson (1998) que utiliza a análise de imagem para caracterizar agregados finos naturais e moídos; Mertens et al. (2006) calculando curvas granulométricas de areias usadas no cimento; Dahal et al. (2007) que aplica a AI ao estudo de agregados mais finos do tipo granulométrico 9 ______________________________________________________II Estado da Arte das areias. Maerz et al. (1996), Maerz (1998), Kwan et al. (1999), Wang (1999) e Sanchidrián et al. (2008), utilizam a AI para caracterizar o tamanho e a forma de agregados grosseiros quando estes passam pelas correias transportadoras e quantificação in situ nas pilha estéreis. Mais uma vez estes algoritmos são bastante promissores nas áreas de aplicação, mas uma aplicação verdadeiramente universal não é ainda conseguida. Existem ainda trabalhos desenvolvidos que empregam a AI como ferramenta auxiliar no estudo do funcionamento de métodos já existentes. Fernlund (1998) e Fernlund et al. (2007), usam a AI para determinar o efeito da forma das partículas no método de crivagem. Diversos trabalhos desenvolvem ainda instrumentação para a medição de características com AI, sendo Benson et al. (2007) um bom exemplo, onde foi desenvolvido um aparelho para medir o tamanho de partículas suspensas na água in situ. Outros trabalhos focam essencialmente a comparação entre diferentes técnicas de quantificação e a AI. Ojala & Francus (2002) compara a densimetria raio-x com a análise de imagem por microscopia de transmissão; Franciscovic-Bilinksi et al. (2003) e Salinas et al. (2005) comparam as técnicas de crivagem com os resultados obtidos por AI, enquanto que Selmaoui et al. (2004) confrontam a análise a "olho nu" com os resultados obtidos com a AI. Outros autores, como Balagurunathan et al. (2001), simulam sedimentos por via computacional e aplicam a AI para a medição de características texturais. Em termos da análise exclusivamente da forma, Lebourg et al. (2004) aplica a AI para extracção de características morfológicas em depósitos de moreias; Alshibli et al. (2004) calcula o arredondamento de partículas de areia com recurso a imagens de microscopia digital; Wettimuny & Penamudu (2004) calcula a forma em agregados; Pirard & Gregoire (2006) usam a morfologia matemática para calcular o grau de arredondamento de acordo com o gráfico de Kumbrein; Erdogan et al. (2006) calculam a forma tridimensional de agregados a partir da sua modelação com o auxílio da AI; Li et al. (2007) estudam as características morfológicas de sedimentos em suspensão e Roussillon et al. (2009) calculam o arredondamento de 10 ______________________________________________________II Estado da Arte calhaus com AI e geometria discreta. A destacar ainda Maerz (2004) que compara o procedimento da medição da forma através da utilização da AI, com a crivagem. Os algoritmos desenvolvidos para a análise da forma, à semelhança do que já acontecia na análise dimensional, apresentam bons resultados quando aplicados aos casos específicos estudados. No entanto, as partículas estudadas são, quase sempre, partículas pertencentes à escala das areias grosseiras, e uma aplicação universal a partículas como as areias não foi ainda desenvolvida. II. 3 Contribuições Originais Neste trabalho, a grande inovação em relação ao que a maioria dos autores, anteriormente referidos, tem realizado é o uso da morfologia matemática aliada ao conceito de max-tree2 para analisar as imagens de sedimentos. Esta metodologia permite uma maior rapidez no cálculo dos parâmetros a medir, em relação à forma de aplicação tradicional da morfologia matemática (imagem como matriz de pontos). A maioria dos métodos já existentes analisa os grãos de forma individual ou então procede a complicadas formas de extrair o contorno dos grãos para depois proceder à sua análise. A utilização do conceito de granulometria morfológica em cinzento permite analisar imagens com os grãos individualizados e simultaneamente analisar imagens com os grãos sobrepostos, tal como nas situações em que os sedimentos se encontram in situ. Esta situação é, por si, só uma inovação. Permite, adicionalmente, obter curvas de distribuição granulométricas completas, em vez de calcular apenas o diâmetro médio, tal como acontece nos métodos estatísticos. Outro aspecto inovador é a aplicação das técnicas desenvolvidas a diferentes tipos de sedimentos, a diferentes escalas e com a possibilidade de ser feita a análise in situ. Os métodos actualmente existentes, exigem ajustes quando mudamos o tipo de sedimento, ou então as imagens podem representar apenas sedimentos de determinado tamanho, caso contrário os resultados podem ser enviesados. Outra originalidade desta metodologia é a sua aplicação a diferentes tipos de sedimentos, 2 O conceito de max-Tree diz respeito à forma versátil de representar uma estrutura de dados (imagem), permitindo a aplicação mais eficiente de conjuntos de operadores conexos anti-extensivos utilizados na morfologia matemática. Este conceito é desenvolvido no capítulo 6 da secção III. 11 ______________________________________________________II Estado da Arte representados em imagens que podem conter partículas com escalas inferiores ao limite analisável com AI (< 63 m). Este método permite contabilizar a sua percentagem no sedimento, embora não se possam obter resultados complementares. Adicionalmente, outra contribuição original é o estabelecimento de procedimentos e protocolos de aplicação destas metodologias na sedimentologia, conduzindo à uniformização e universalidade da aplicação do método de acordo com o objectivo de estudo. Isto permite ao investigador usufruir das metodologias com a segurança de que existe repetibilidade e que os resultados podem ser facilmente e correctamente comparados com outros. 12 III. Análise Dimensional "Porque eu sou do tamanho do que vejo E não, do tamanho da minha altura..." Alberto Caeiro, in Guardador de Rebanhos III. 1 A análise granulométrica Introdução A análise dimensional das partículas sedimentares encaradas como elementos de uma população tem sido denominada por análise granulométrica ou granulometria. A análise dimensional consiste na medição do tamanho dos elementos de uma determinada população e subsequente determinação da respectiva frequência, tendo em vista o conhecimento do correspondente tamanho médio e do grau de dispersão dos elementos dessa população em relação ao valor médio, i.e., tenta descrever a granularidade da população e a calibragem dos respectivos elementos (Galopim de Carvalho, 2005). 13 ________________________________________________III. Análise Dimensional Embora a análise dimensional seja, hoje em dia, uma parte integrante e mesmo fundamental dos estudos sedimentológicos, com uma utilização rotineira das técnicas de aquisição, a sua aplicação não é de maneira nenhuma linear. De facto, o problema do tamanho de uma partícula é um assunto complexo. III.1.1 Métodos de Medição - Definição do Tamanho de uma Partícula Existem, hoje em dia, uma grande variedade de métodos disponíveis para calcular o tamanho de partículas sedimentares. Os métodos de medição do tamanho variam, fundamentalmente, de acordo com a propriedade física que usam para calcular o tamanho do objecto e também com a dimensão dessas próprias partículas. Diferentes técnicas, baseadas em princípios físicos diferentes, definem tamanho de modo distinto. De uma forma geral, é possível distingui-las de acordo com a propriedade da partícula que utilizam para definir e medir o tamanho, como pode ser observado na Tabela 1. Uma vez que diferentes propriedades estão a ser utilizadas nos diferentes métodos a correspondência entre métodos não é linear, e os resultados obtidos irão ser, necessariamente, diferentes. Um exemplo muito simples para ilustrar os problemas existentes pode ser dado com a ajuda da Figura 1, onde se exemplifica a dimensão de uma partícula aleatória a partir de uma esfera equivalente, e de como o tamanho dessa esfera equivalente varia de acordo com a propriedade utilizada para essa mesma medição. Numa primeira abordagem, os métodos de medição variam de acordo com o estado de consolidação do material sedimentar. Material consolidado pode ser medido através do estudo microscópico em lâmina delgada, ou as partículas agregadas podem ser desagregadas de forma a formarem uma amostra de material solto que pode posteriormente ser analisado por outras técnicas. O material não consolidado apresenta uma maior selecção de métodos que o permitem analisar. De uma forma geral, a escolha do tipo de técnica varia com a classe dimensional a que pertencem, i.e., o método depende fundamentalmente do próprio tamanho das partículas. Se 14 ________________________________________________III. Análise Dimensional analisarmos os métodos disponíveis para uma mesma classe dimensional poderemos seleccionar ainda aquele cuja propriedade física representada como tamanho nos interessa mais estudar, por exemplo, o diâmetro esférico equivalente nas técnicas de sedimentação. Tabela 1. Técnicas de medição e respectivas propriedades medidas. Técnica de Medição Crivagem Propriedade medida Diâmetro intermédio, sendo este que define a sua passagem pelo crivo Técnicas de sedimentação Diâmetro esférico equivalente Contadores de partículas "Coulter" Volume Analisadores de partículas Área projectada e diâmetro circular Observações microscópicas Diâmetros aparentes Analisadores laser Volume Figura 1. Variação do tamanho de uma esfera de acordo com a propriedade física que é usada para descrever o tamanho de uma partícula (azul). Adicionalmente, os sedimentos mais grosseiros (blocos, seixos), são medidos individualmente, o que permite obter diversas medidas (volume, peso, dimensão dos eixos maior, menor e intermédio) para cada uma das partículas. Nos sedimentos de 15 ________________________________________________III. Análise Dimensional tamanho inferior, sedimentos grosseiros (areias) e finos (siltes e argilas) as técnicas clássicas não permitem a medição individual de cada partícula. III. 1.2 O Problema da Universalidade de Aplicação Embora o tamanho das partículas seja uma propriedade importante e uma das mais perceptíveis e fáceis de compreender, é mais difícil encontrar um método universal para a sua medição (Whaley, 1972). Desta forma, existem à disposição dos especialistas diversos métodos de medição do tamanho das partículas, mas nenhum é suficientemente abrangente para poder determinar, de forma inequívoca, o tamanho de todas as partículas sedimentares. O tamanho das partículas sedimentares é bastante variável. Este pode variar desde uma fracção de micrómetros de diâmetro, nas argilas, até grandes blocos com vários metros de diâmetro, com um espectro de gradação contínuo e dividido em classes consoante o tamanho: argilas, silte, areia, cascalho, seixos e blocos, por ordem crescente. De uma forma geral, considera-se que os sedimentos são, fundamentalmente, constituídos por quatro classes texturais: cascalho, areia, silte e argila. Os métodos clássicos utilizados diferem de acordo com a classe textural que se pretende analisar, e.g., sedimentos finos são normalmente analisados com os métodos de sedimentação e, mais recentemente, com granulometria laser. Os sedimentos grosseiros são, geralmente, analisados com crivagem mecânica e os muito grosseiros a partir da medição individual de cada partícula (seixos e partículas de dimensão superior) (Galopim de Carvalho, 2005). 16 ________________________________________________III. Análise Dimensional III.2 Métodos Correntes de Avaliação da Dimensão das Partículas III.2.1 Crivagem Mecânica A nível laboratorial a crivagem mecânica continua a ser um método amplamente utilizado, em parte por ser bastante simples e económico de utilizar, por outro por ser o método mais antigo e mais utilizado. A crivagem consiste na passagem de uma quantidade de material amostrado e previamente pesado por uma série de crivos com aberturas de malha conhecida. Os crivos são dispostos numa coluna onde a abertura da malha é decrescente, sendo a escolha da série função do objectivo de estudo. Estes crivos são agitados mecanicamente por um período fixo de tempo. O peso de cada fracção retida em cada crivo é medido e convertido numa percentagem do total da massa de sedimento inicialmente utilizado. Este método é suficiente fiável para a maioria dos estudos, mas torna-se bastante moroso se houver necessidade de estudo de uma grande quantidade de amostras. III.2.2 Granulometria por Difracção Laser A granulometria por difracção laser é uma técnica que se baseia na distribuição da energia dispersada pela partícula depois desta ter sido atingida por um raio laser, é capaz de estimar o tamanho dessa mesma partícula. Esta tecnologia rege-se pelo principio de que partículas maiores dispersam o raio laser em ângulos menores, enquanto que partículas menores dispersam a luz com ângulos maiores. A instrumentação que utiliza esta técnica não mede cada partícula de forma individual, mas utilizando transformações matemáticas complexas é possível partir do conceito simples apresentado anteriormente e extrapolá-lo para uma população de partículas de forma a obter uma estatística da distribuição de tamanho dessa mesma população. A comparação deste método com a crivagem não é tão simples de realizar, tal como é exemplificado em Gérman-Rodrigues & Uriarte, 2009. Estes autores analisam a possibilidade de comparar e associar dados de crivagem por via seca e granulometria 17 ________________________________________________III. Análise Dimensional por difracção laser, chegando à conclusão de que os resultados de ambos não são idênticos, chegando mesmo a introduzir uma fórmula de correcção que permita ajustar as diferenças entre ambos os métodos. III.2.3. Análise de Imagem Outro método que começa a ser bastante utilizado nos dias de hoje é a análise de imagem. Embora os algoritmos de análise de imagem estejam em constante actualização, com inúmeros autores a efectuarem estudos nesta área, alguns equipamentos industrias já utilizam estas técnicas, essencialmente na caracterização da forma das partículas. Quanto à sua aplicação exclusiva na análise dimensional, embora ainda não seja prática corrente, são cada vez mais os investigadores que utilizam apenas esta técnica nos seus estudos, sendo já possível encontrar normas laboratoriais para esta técnica. No entanto, e como este é o tema de estudo da presente tese, a sua caracterização pode ser encontrada nos capítulos subsequentes. III.2.4 Outros Métodos A par dos métodos acima referidos, existem à disposição outros métodos de avaliação do tamanho das partículas que também são bastante utilizados a nível laboratorial. O método da granulometria por sedimentação mede o diâmetro de sedimentação, i.e., diâmetro de uma esfera com densidade e velocidade terminal idênticas às da partícula, analisando o tamanho das partículas a partir das suas velocidades de queda num líquido. Os contadores Coulter utilizam a resistividade eléctrica das partículas para inferirem o diâmetro dessas mesmas partículas. Na prática o tamanho das partículas é medido através da geração da voltagem que a sua passagem gera quando passam pela zona sensível, sendo a voltagem proporcional ao volume da partícula. A máquina conta e classifica a voltagem de acordo com o tamanho da partícula a uma taxa de 5000 por segundo. 18 ________________________________________________III. Análise Dimensional III.3 Problemas da Definição de Tamanho de uma Partícula O tamanho de uma partícula sedimentar é descrito em termos do seu comprimento característico. Se as partículas sedimentares apresentassem todas a mesma forma ou fossem compostas pelo mesmo material, a escolha de uma operação cujo tamanho fosse definido (comprimento, área, volume, diâmetro de peneiração, ou de esférico equivalente) não seria um problema uma vez que as definições matemáticas estariam matematicamente relacionadas. Os sedimentos, no entanto, são variáveis em forma e composição o que faz com que a definição de tamanho seja uma operação crítica. III.3.1 O Efeito Teórico da Densidade As medições directas do comprimento, área e volume não são afectados por variações da densidade nas partículas. No entanto, nas técnicas indirectas que envolvem a pesagem das partículas (como a crivagem) ou nas técnicas de sedimentação, o efeito da densidade das partículas na análise do tamanho dos grãos é grande. Quando lidamos com sedimentos que possuem partículas com densidades bastante diferentes, caso de sedimentos com elevada concentração de minerais pesados, o uso de técnicas indirectas pode conduzir a resultados enviesados. De uma forma geral, minerais pesados tendem a concentrar-se, preferencialmente, nas classes mais finas. Por outro lado, se se pensar que a crivagem configura uma quase tridimensionalidade do tamanho que mede, os resultados obtidos, nesta técnica, podem estar enviesados nas classes mais finas. Estes sedimentos tendem a sobre estimar a percentagem de partículas existentes nas classes mais finas, uma vez que o peso nestas fracções será necessariamente maior do que em sedimentos com baixa concentração de minerais pesados. No caso das técnicas de sedimentação, esta variabilidade advém do facto de se considerar que as partículas têm todas uma densidade igual à do quartzo (2.65 19 ________________________________________________III. Análise Dimensional g/cm3). O diâmetro hidráulico irá diferir do diâmetro da esfera quando a partícula tiver uma densidade bastante diferente da densidade do quartzo. Um bom exemplo da comparação entre a crivagem e a AI, tendo em conta a densidade das partículas, pode ser analisado em Lira & Pina (2011). Neste trabalho as curvas de distribuição granulométrica obtidas por AI são corrigidas usando a densidade das partículas. A densidade é obtida a partir de uma classificação prévia das partículas em análise. Os resultados obtidos indicam que as curvas obtidas por AI com correcção da densidade, i.e., dando maior peso a partículas mais densas, se aproximam mais das curvas obtidas por crivagem. De facto, este trabalho evidencia que curvas de AI e crivagem que antes estariam bastante diferentes são quase idênticas nos casos onde existe uma elevada percentagem de minerais pesados, o que realça o efeito da densidade nas medições indirectas da dimensão. III.3.2 O Efeito Teórico da Forma A assumpção de que os grãos são esféricos é raramente apropriada para materiais sedimentares. As características do tamanho, forma e densidade dos grãos sedimentares está intimamente ligada à acção da erosão e transporte que estes sofreram ao longo da sua história geológica. O tamanho de uma partícula irregular é função da sua forma, para qualquer tipo de técnica de medição, mas a maneira como este factor afecta o dimensão da partícula varia entre técnicas (Syvitski, 1991). A título de exemplo, vamos considerar a crivagem. Baba & Komar (1981) e Sahu (1965) mostraram que o tamanho medido pela crivagem é conceptualmente equivalente ao diâmetro intermédio da partícula considerada. A sua dependência em relação à forma foi reconhecida por Ritenhouse (1943) e investigada em detalhe por Ludwick & Henderson (1968). A propensão para a passagem ou retenção no crivo de uma determinada partícula depende também da orientação do eixo maior da partícula. Partículas com rácios axiais que se aproximam de 1.0 têm uma maior probabilidade de passarem, do que aquelas que apresentarem rácios menores. Desta forma, a probabilidade de uma partícula passar ou ficar retida tem, inerentemente, a ver com a sua própria forma aliada à possibilidade desta atingir a orientação apropriada à sua passagem durante o tempo de crivagem. É nesta medida, que se pode afirmar que, no geral, a distorção de uma partícula em relação 20 ________________________________________________III. Análise Dimensional à sua forma esférica possibilita a sua passagem por uma malha mais fina do que esta passaria sem a sua distorção. Na crivagem espera-se, assim, uma subestimação do diâmetro nominal de uma partícula sedimentar tal como for observado por Baba e Komar (1981), com a excepção das partículas que apresentam uma forma extrema discoidal. Este facto encontra-se ilustrado na Figura 2, onde é possível observar-se o diâmetro nominal (massa) de elipsóides triaxiais que apresentam igual tamanho de crivagem. A maioria dos grãos apresenta um maior diâmetro nominal do que o de uma esfera que passa pelo mesmo crivo. Isto acontece porque a distorção da forma de uma partícula em relação à forma esférica, normalmente permite que esta passe por uma malha mais fina do que passaria se conservasse a sua forma esférica. Figura 2. Diâmetro nominal (massa) de elipsóides triaxiais com tamanho de crivagem constante. Retirado de Syvitski (1991). III.3.3 Discussão Idealmente a medição do tamanho de uma partícula deveria ser independente de outros atributos, mas este não tem sido o caso nos sedimentos. Desta forma, uma definição extremamente importante quando se pretende analisar o tamanho das partículas é a determinação da propriedade do tamanho que se quer utilizar e subsequentemente da técnica, uma vez que esta é a primeira abordagem no 21 ________________________________________________III. Análise Dimensional conhecimento dos potenciais problemas que podem estar envolvidos na análise dimensional. Adicionalmente, a comparação de resultados obtidos por técnicas diferentes deve ser observada com cautela, tendo sempre em conta que estamos a lidar com partículas irregulares e constituídas por minerais diferentes, o que necessariamente influencia os resultados obtidos. III.4 Crivagem - Uma Rápida Avaliação Sendo a crivagem uma das técnicas universalmente aceites para a análise do tamanho de partículas sedimentares, importa conhecer como se comporta este método em aspectos como a reprodutibilidade do método. Na literatura muitos autores têm lidado com esta problemática: McManus (1965), Janke (1973), Barndorff-Nielsen et al., 1982, Wang & Komar (1985), entre outros, oferecendo-nos Syvitski (1991) uma boa visão global dos resultados obtidos por estes autores. Embora os resultados sugiram um bom desempenho da crivagem, estes resultados encontram-se expressos sob a forma gráfica dificultando uma comparação com os resultados da AI. Uma vez que se pretende comparar os resultados obtidos a partir das novas metodologias de análise de imagem com o método de crivagem, importa conhecer quais os erros associados à crivagem. O procedimento de avaliação dimensional da crivagem consiste na apreciação da prestação da crivagem em relação a dois conceitos distintos: variação inter-amostra e variação intra-amostra. A variação inter-amostra consiste na variação que ocorre quando se crivam sub-amostras diferentes provenientes de uma mesma amostra. Por variação intra-amostra entende-se a variação que possa ocorrer quando se criva uma mesma amostra várias vezes. Com a finalidade de realizar estes testes foi seleccionada uma amostra colhida na praia da Lagoa de Albufeira (Figura 3). A amostra analisada era composta por uma areia grosseira, moderadamente bem seleccionada, de cor clara, predominantemente composta por grãos de quartzo. Com esta amostra forma definidos dois conjuntos 22 ________________________________________________III. Análise Dimensional diferentes de amostragem: o conjunto de teste C1 e o conjunto de teste C2. O conjunto de teste C1 é composto por uma amostra cuja crivagem foi realizada 10 vezes e pretende testar a variabilidade intra-amostra. O conjunto C2 é composto por 5 sub-amostras, cada uma delas crivada em separado, e pretende representar a variabilidade inter-amostra. Os resultados obtidos podem ser observados na Figura 4 e na Tabela 2, onde se encontra representada, a laranja, a curva de distribuição granulométrica média das amostras do conjunto de teste C1. A média do conjunto C2 está representada com pontos azuis e a variação de cada percentil está representada nas barras de erro a preto. Figura 3. Imagem do sedimento da praia da Lagoa de Albufeira usado para a avaliação da crivagem. Os resultados obtidos demonstram que as curvas granulométricas do conjunto de teste C1 são todos bastante semelhantes, considerando-se a variação ocorrida desprezável para os objectivos deste trabalho, uma vez que as curvas evidenciam todas uma forma e posição idêntica. Embora as curvas granulométricas do conjunto de teste C2 sejam também elas bastante semelhantes, os resultados revelam um 23 ________________________________________________III. Análise Dimensional enviesamento do erro quadrático médio (EQM) no sentido das fracções mais finas. Desta forma, os dados sugerem que as fracções mais finas são aquelas que apresentam maior variabilidade inter amostral. Ambos os conjuntos apresentam erros quadráticos médios bastante baixos, com 0.0014 de EQM para o conjunto amostral C1 e 0.0170 para o conjunto amostral C2, comprovando a eficácia da crivagem como uma técnica fiável no cálculo das distribuições de tamanho de sedimentos. 100 EQM_intra-amostra = 0.0014 EQM_inter-amostra = 0.0170 90 80 % Acumulada 70 60 50 40 30 20 10 0 -2.0 -1.0 0.0 Média Intra-amostra 1.0 2.0 3.0 4.0 Média Inter-amostra Figura 4. Projecção da variação intra e inter amostra para o método da crivagem e respectivos erros quadráticos médios. Tabela 2. Estatísticas dos conjuntos de amostragem C1 (variação intra-amostra) e C2 (variação interamostra) e respectivo erro quadrático médio (EQM). Estatísticas D05 D16 D25 D50 D75 D84 D95 MedianGr StdGr Skew Kurt C1 () -0.31 0.09 0.22 0.59 0.94 1.13 1.44 0.59 0.53 0.01 1.00 C2() -0.28 0.09 0.19 0.46 0.79 0.91 1.27 0.46 0.44 0.07 1.05 EQM () 0.03 0.01 0.04 0.13 0.15 0.22 0.17 0.13 0.08 0.06 0.04 24 ________________________________________________III. Análise Dimensional III.5 Análise de Imagem Tal como foi referido anteriormente, diferentes técnicas analisam diferentes aspectos do tamanho de uma partícula. No caso específico da análise de imagem pode-se analisar mais do que um parâmetro em simultâneo (eixo maior, intermédio, perímetro, área projectada, etc). Esta é, talvez, a primeira grande vantagem da análise de imagem, a de possuir o potencial para extrair um grande número de informações ou características do objecto de estudo, informação que pode ser cruzada para se complementar. No campo da análise de imagem não existe uma única teoria que possa ser aplicada a todos os casos, mas antes existem várias teorias que podem ser aplicadas isoladamente ou combinadas entre si. Segundo Serra (1987) os principais métodos de análise quantitativa de imagem ou teorias que agrupam métodos são: 1. Métodos Lineares - baseiam-se na utilização de operadores lineares e são reversíveis. Agrupam, fundamentalmente, os métodos de processamento de sinal, filtragem linear, análise de Fourier, entre outros. 2. Métodos Estatísticos - agrupam métodos de análise e tratamento de dados, métodos estatísticos multivariados que podem ser combinados ou não com os primeiros para a extracção de informação relevante. 3. Métodos Sintáticos - decompõem a imagem num conjunto de primitivas com significado de forma a associar relações estruturais de sucessão. 4. Métodos Morfológicos - baseiam-se na teoria morfológica ou morfologia matemática e transformam a imagem de forma irreversível. Segundo Pina (1998) as fronteiras entre estes quatro métodos principais não é, por vezes, muito marcada e o processamento de imagem muitas vezes não se processa de forma isolada e independente, mas antes realiza-se de modo integrado e complementado. 25 ________________________________________________III. Análise Dimensional No âmbito da caracterização dimensional, importa conhecer duas em especial: a que agrupa os métodos estatísticos e a teoria morfológica ou morfologia matemática. A primeira é importante compreender pois é nesta que os mais recentes e promissores trabalhos se baseiam e a segunda, por constituir uma das originalidades deste trabalho. III.5.1 Métodos Estatísticos - A Autocorrelação De entre os métodos estatísticos existentes, será apenas abordado o uso da autocorrelação, uma vez que é o método que tem conduzido aos resultados mais satisfatórios recentemente (Rubin, 2004, Barnard et al., 2007, Buscombe et al., 2010, Buscombe & Masselink, 2009, Warrick et al., 2009 e Buscombe et al., 2010). Segundo Rubin (2004) a autocorrelação espacial numa imagem de sedimentos varia com o tamanho das partículas presentes nessa imagem. A autocorrelação espacial pode ser definida como a correlação entre duas regiões rectangulares duma imagem (denominadas de plaqueta), medidas através do cálculo da correlação entre intensidades de cada pixel numa plaqueta (pixels observados) com o pixel correspondente da outra plaqueta (pixels previsíveis). Os valores de correlação espacial ( rsa ) aproximam-se de 1.0 quando o valor de desfasamento entre plaquetas é pequeno relativamente ao tamanho do grão (ou outras estruturas presentes na imagem) e aproxima-se de zero quando o valor de desfasamento se aproxima dos valores do tamanho dos maiores grãos (estruturas) presentes na imagem. Calculando a variação da correlação espacial a diferentes valores de desfasamento – distância entre duas plaquetas – produz-se uma curva que descreve a correlação como função da distância (Moran 1948). Segundo o mesmo autor, para uma amostra de tamanho uniforme, i.e., uma amostra onde todos os grãos apresentem o mesmo tamanho, o diâmetro dos grãos pode ser determinado através da confrontação entre a curva de autocorrelação da amostra e a curva de autocorrelação de amostras calibradas. Para amostras que apresentem múltiplos tamanhos de grãos, a distribuição granulométrica pode ser facilmente determinada através da resolução das proporções de percentagens de grãos individuais que colectivamente apresentam a melhor correspondência com a curva de autocorrelação observada. 26 ________________________________________________III. Análise Dimensional Desta forma a autocorrelação espacial rsa entre duas plaquetas e numa imagem é dada por: rsa (x pi x p )( y pi y p ) (1) i ( x pi x p ) 2 i ( y pi y p ) 2 i x pi e y pi são as intensidades dos pixels correspondentes nas duas plaquetas x p e y p são as intensidades médias dos pixels nas duas plaquetas A curva de autocorrelação é determinada pelo o cálculo de rsa como função da distância entre duas plaquetas, onde o aumento da distância de offset entre duas plaquetas ( k off ) torna x pi cada vez menos relacionado com y pi , tendendo a autocorrelação para zero. III.5.1.1 Método de Rubin - Calibração O método de cálculo da distribuição granulométrica a partir de imagens de sedimento formulado por Rubin (2004) é um processo que exige a calibração do sedimento típico do local de amostragem. Este processamento, realizado uma única vez para cada região geográfica, consiste na crivagem da amostra característica em diversas fracções que depois são fotografadas individualmente, sendo calculadas as curvas de autocorrelação típicas para cada fracção. Estas curvas de autocorrelação são guardadas numa matriz denominada de matriz de calibração, que depois permite, juntamente com a curva de autocorrelação da amostra em estudo, resolver a proporção dos tamanhos calibrados que em conjunto fornecem a melhor aproximação à curva de autocorrelação da amostra de estudo. Desta forma, este método permite a obtenção da curva de distribuição granulométrica completa de imagens de sedimento in situ, mas exige um processo de calibração prévio com a crivagem de algumas amostras em laboratório. III.5.1.2 Método de Buscombe Para resolver esta questão da calibração, Buscombe et al. (2010) expande o conceito de autocorrelação formulado por Rubin (2004) e introduz uma nova metodologia que permite prescindir do processo de calibração e possibilita o cálculo de diâmetro 27 ________________________________________________III. Análise Dimensional médio de imagens de sedimento desde a escala das areias até sedimentos mais grosseiros. Este novo método é bastante rápido e eficiente e os autores afirmam que possui uma estimação de tamanho médio com um erro quadrático médio de 16% e com 95% de probabilidade das estimações entre 31% do diâmetro médio real. No entanto, não permite o cálculo da distribuição granulométrica completa, apenas do valor médio. Buscombe et al. (2008) sugere o uso da função de autocorrelação bidimensional (R) em detrimento da função unidimensional de Rubin (2004), uma vez que esta transformação normaliza as magnitudes da densidade espectral, tornando comparáveis, desta forma, imagens diferentes. Desta forma, este autor apresenta uma extensão da função de autocorrelação unidimensional no domínio espacial (Rubin, 2004), para uma de forma bidimensional no domínio das frequências, permitindo a eliminação da necessidade de calibração. A densidade espectral de uma imagem cujo valor médio foi retirado (f') é a transformação de Fourier da função de autocovariância, que por sua vez é a forma bidimensional da função de autocorrelação (R): (2) (3) onde é o índice espacial (intervalo), do logarítmo. é a unidade imaginária e é a base natural é o número de onda, i.e., o número de vezes que a função f' apresenta a mesma fase por unidade espacial. A função de autocorrelação (R), normalizada pelo seu poder espectral total, é calculada a partir da transformação inversa de Fourier da densidade espectral (Preston & Davis, 1976). (4) Fara & Scheidegger (1961) mostraram que no caso simplificado unidimensional, pode, apenas, apresentar valores inteiros com comprimentos diferentes de 2 , que podem ser manipulados por factores de escala, e que ambas obtidas por , onde tem dimensão e podem ser , que pode ser dado em pixels. Assim, uma forma de onda dada por terá periodicidade dessa função deverá estar em antifase a comprimentos , e o correlograma , ser igual a 0 em 28 ________________________________________________III. Análise Dimensional intervalos e igual a 0.5 nos intervalos são valores apropriados para . Isto sugere que intervalos onde , sendo a teoria igualmente válida para imagens bidimensionais (Buscombe et al., 2010). III.5.2 Morfologia Matemática A morfologia matemática é uma das teorias de análise de imagem utilizadas para processar e analisar imagens recorrendo a operadores baseados em conceitos topológicos e geométricos, fundada por Georges Matheron e Jean Serra na primeira metade da década de sessenta do século XX, na École des Mines de Paris, em França. As operações são descritas através da combinação de conjuntos básicos de manipulação numérica entre uma imagem I e um objecto mais pequeno B denominado elemento estruturante, que pode ser encarado como uma sonda que percorre toda a imagem modificando-a de acordo com uma regra determinada. É a forma e o tamanho do elemento estruturante B, aliado à regra específica, que define as características do processo a aplicar. A aplicação pode ser realizada em imagens binárias ou em imagens de cinzento, havendo já um desenvolvimento crescente de algoritmos para a aplicação a imagens a cores. III.5.2.1 Transformações Morfológicas de Base A morfologia matemática apresenta transformações básicas bastante poderosas que posteriormente servem de base a transformações mais complexas. Elas são agrupadas em dois pares: dilatação e erosão; abertura e fecho. III.5.2.1.1 Erosão A erosão de um conjunto por um elemento estruturante e define-se como o lugar geométrico dos pontos totalmente incluído em é denotada como de tal forma que quando a sua origem é posicionada em esteja : (5) 29 ________________________________________________III. Análise Dimensional Esta é a forma equivalente à subtracção de Minkowski (Minkowski, 1903), que a erosão de objecto A efectuada com o elemento estruturante , em é dada por: (6) Na prática a erosão produz um desgaste no contorno dos objectos, desconectando partículas que antes se encontravam conectadas. III.5.2.1.2 Dilatação A dilatação de um conjunto por um elemento estruturante e define-se como o lugar geométrico dos pontos quando a sua origem é posicionada em é denotada como de tal forma que toque : (7) Esta é a forma equivalente à adição de Minkowski, A efectuado com o elemento estruturante , em que a dilatação do objecto é dada por: (8) A dilatação produz um aumento da área dos objectos, conectando partículas que antes se encontravam desconectadas. III.5.2.1.3 Abertura A abertura de um conjunto por um elemento estruturante e é definida pela erosão de estruturante transposto por é denotada como seguida da dilatação com elemento : (9) De uma forma geral é possível afirmar que abertura suaviza o contorno dos objectos eliminando o ruído na imagem. III.5.2.1.4 Fecho O fecho de um conjunto por um elemento estruturante é definida como a dilatação de estruturante transposto por é denotada como e seguida da erosão com elemento : (10) 30 ________________________________________________III. Análise Dimensional Os efeitos da aplicação de um fecho são, de uma forma geral, a conexão de partículas desconectadas consequência do aumento da área dos objectos. III.5.2.1.5 Reconstrução Segundo Pina (1998), sendo Y um subconjunto de X , ao dilatar-se Y em X , fica garantido que não se sai do conjunto X , qualquer que seja o tamanho da dilatação realizada. Se essa dilatação for efectuada até à idempotência, obtém-se como resultado algumas componentes conexas de conjunto conjunto X ou, eventualmente, o próprio X na sua totalidade. Esta operação é denominada de reconstrução do X a partir do marcador Y : (11) III.5.2.2 Granulometria Morfológica Binária As aberturas morfológicas são capazes de simular os processos de crivagem tradicionais, como já tinha sido referido por Matheron (1975). A crivagem mecânica é uma técnica usada em sedimentologia que se baseia na utilização de uma série de crivos ordenados por ordem decrescente de abertura de malha, onde se quantifica o peso do material retido nas várias fracções do sedimento em análise. A passagem do método de crivagem mecânica para a morfologia matemática é quase directa, uma vez que esta se baseia no mesmo princípio. Desta forma, pretende-se eliminar progressivamente as partículas da imagem, diminuindo a área da imagem tal como diminui o tamanho da malha dos crivos, sendo considerada essa área como uma distribuição granulométrica. Neste caso específico, a imagem é ―peneirada‖ através da tentativa de conter um elemento estruturante nos grãos da imagem e retirando todos aqueles que não estão contidos no elemento estruturante. Segundo Soille (2003), a crivagem partilha das mesmas propriedades da abertura: Antiextensividade – o que resta no crivo só pode ser uma sub amostra da amostra original. Extensividade – quando se criva uma porção de uma amostra original, o que resta no crivo é uma sub amostra do que resta quando se criva a amostra original. 31 ________________________________________________III. Análise Dimensional Idempotência – crivar uma amostra duas vezes pelo mesmo conjunto de crivos não vai crivar mais essa mesma amostra. Propriedade de absorção – o que resta depois da crivagem de uma amostra por dois crivos de tamanho arbitrário é apenas influenciado pelo tamanho do crivo maior com abertura maior. A evolução que um conjunto elemento estruturante B , X sofre por aplicação de aberturas B (X ) com pode ser quantificada através da medição da área restante em cada iteração. Para o caso das imagens binárias, a granulometria ou distribuição de tamanho , função acumulativa em medida, define-se como a proporção de pontos que foram eliminados por aplicação de uma abertura de tamanho : (12) Assim, o conceito de granulometria pode ser transposto para uma imagem a partir de uma família de aberturas de tamanho crescente λ enquanto se garante que a propriedade de absorção é satisfeita (Figura 5). Figura 5. Exemplificação de uma granulometria a partir da aplicação de sucessivas aberturas, utilizando um elemento estruturante em quadrado de tamanho ( ) crescente: =1, 2, 4, 8, 16, 24, 40, 64, da esquerda para a direita. A aplicação do conceito de granulometria morfológica binária a sedimentos arenosos foi realizada por Lira (2006). Este trabalho constitui um resumo das características e potencialidades das granulometrias morfológicas de imagens binárias de sedimentos. 32 ________________________________________________III. Análise Dimensional III.5.2.3 Granulometria Morfológica em Cinzentos A generalização do conceito de granulometria morfológica a qualquer tipo de sinal foi introduzida por Maragos (1989), com a formalização do conceito de pattern spectrum, permitindo a aplicação dos conceitos de Matheron (1975) a imagens de cinzento. Neste tipo de imagens o tamanho dos objectos encontra-se associado ao volume da função de cinzentos, enquanto para imagens binárias era a área a propriedade associada. A granulometria morfológica em cinzentos medida que define a proporção de volume abertura de tamanho , é a função acumulativa em que foi eliminada pela aplicação de uma . Por outras palavras, os objectos escuros vão sendo progressivamente eliminados (Figura 6) e uma curva da soma dos níveis de cinzentos pode ser construída: (13) Figura 6. Exemplificação do processo de granulometria morfológica de cinzentos, com elemento estruturante crescente i=1, 2, 4, 8, 16, 24, 40 e 64, da esquerda para a direita. O cálculo da granulometria morfológica de uma imagem de cinzentos pode ser um processo bastante moroso. Se considerarmos uma imagem com, por exemplo, 3000x5000 pixels o cálculo da curva de distribuição granulométrica com aberturas de tamanho crescente com =500 e para uma resolução de 0.014 mm/pixel, o que corresponde a um tamanho de partícula de 14m (3.8 ), pode demorar até um dia a ser processado. Tempo estimado para um computador com processador de 3.17GHz e uso do software Matlab®. Neste sentido, para que as granulometrias morfológicas em cinzento possam competir com métodos de medição de tamanho, como a crivagem, o processo automático de cálculo tem de ser agilizado. 33 ________________________________________________III. Análise Dimensional III.6 O conceito das Max-Tree Segundo Garrido (2002), o termo tree3 (árvore) é uma colecção de elementos chamados de nós (nodes), sendo um deles distinguido como raiz (root), aliado a uma relação de paternidade que estabelece uma hierarquia estrutural dos diferentes nós. A max-tree é a estrutura de representação dos elementos conectados dos níveis de cinzentos que compõe uma imagem. O conceito de max-Tree foi primeiramente introduzido por Salembier et al.(1998) como uma forma versátil de representar uma estrutura de dados, permitindo a aplicação mais eficiente de conjuntos de operadores conexos anti-extensivos. A maxtree é uma árvore ramificada em que a cada um dos seus nós, componente de pico têm o nível de cinzento . No entanto, corresponde um contém apenas aqueles pixels em que . Este tipo de representação estrutural apenas é capaz de representar imagens binárias e em níveis de cinzentos, mas não é capaz de lidar com imagens muticomponentes (e.g. RGB). A max-Tree é composta por um nó raiz, o qual se desenvolve noutros nós chamados de nós filhos. O nó do qual esses nós emergem é denominado de nó pai. Adicionalmente nós que não têm filhos são chamados de nós folha. Desta forma, cada folha, à excepção da raiz, aponta para o seu ramo-pai com . Para a finalidade da construção da árvore a imagem é considerada como um relevo 3D, onde os nós da árvore representam os componentes conexos dos conjuntos de níveis superiores, para todos os possíveis níveis de cinzento. As folhas da árvore (leaves) correspondem ao máximos regionais da imagem (Figura 7). 3 Neste trabalho decide-se manter a designação original em inglês para os termos tree e max-tree e fazer a tradução para português do conceitos elementares que definem a tree e max-tree. como nó e raiz. 34 ________________________________________________III. Análise Dimensional Figura 7. Criação de uma Max-Tree a partir de uma imagem. Adpatado de Garrido (2002). III.6.1 Construção de uma Max-Tree Na Figura 8 é possível observar-se 7 zonas planas na imagem identificadas pelas letras {A,B,C,D,E,F,G} e o número que segue cada letra identifica o valor do nível de cinzento associado a cada zona plana, que neste caso varia entre 0 e 2. No primeiro passo da construção da max-tree o valor de corte é fixado para o valor 0 de nível de cinzento. A imagem é então binarizada e todos os pixels no nível . (pixels da região A) são designados para o nó raiz da max-Tree Para além disto, os pixels de níveis de cinzento acima do valor de corte formam 2 componentes conexos que são temporariamente atribuídos a dois nós e . Assim a primeira árvore está criada para os níveis de cinzento [0,1]. Num segundo passo, o valor de corte é aumentado em 1: . Cada nó é processado como uma nova imagem. Considerando o nó , todos os seus pixels no nível mantêm inalterados o que cria o nó . No entanto, pixels maiores que se , neste caso, {C,E} criam dois novos componentes conexos e são movidos para os nós temporários e , respectivamente. A construção completa da max-tree é realizada a partir da iteração deste processo para todos os nós todos os valores de corte possíveis de e para (desde 0 até ao valor mais alto de nível de cinzento). O resultado deste processo pode ser observado na Figura 8 b). 35 ________________________________________________III. Análise Dimensional a) b) Figura 8. Exemplo da criação da estrutura de uma max-Tree. a) Imagem original e b) Árvore final. III.6.2 Vantagens da Max-Tree O conceito de max-tree está intimamente ligado à representação de uma imagem. Em vez da tradicional matriz de pontos, sendo cada ponto representado pelo seu valor de intensidade, a max-tree representa a imagem, com nós e ramificações. Esta representação permite uma análise computacional mais eficiente o que se traduz num muito menor tempo de análise da imagem e corrida de algoritmos de AI. A contribuição original desta tese passa pela utilização deste conceito no cálculo de granulometrias com aberturas sucessivas em imagens de cinzento. III.6.3 Testes com a Max-Tree Embora o uso da max-tree esteja já de alguma forma generalizado na aplicação de algoritmos de AI de forma mais eficiente (Garrido (2002), Meijster & Wilkinson (2002)), interessa perceber como as imagens são analisadas quando processadas com aberturas morfológicas de tamanho crescente. Estas verificações são realizadas em imagens teste binárias e em níveis de cinzentos, especialmente criadas para o efeito. Posteriormente realizam-se os mesmos testes em imagens reais. O exame das imagens teste foi realizado com o cálculo da curva de distribuição granulométrica a partir dos seguintes operadores morfológicos: 1. Abertura simples. 36 ________________________________________________III. Análise Dimensional 2. Abertura com reconstrução. 3. Abertura com reconstrução e representação em max-tree. 4. Abertura com atributo de caixa (box) com 2i+1 pixels4 e representação em max-trees. 5. Abertura com atributo em caixa (box) com i pixels e representação em maxtree. 6. Abertura com atributo de área com (2i+1)2 e representação em max-tree. Este ensaio permite verificar se o comportamento dos operadores morfológicos usados em imagens com representação pixel a pixel não é alterado com este novo conceito de representação de imagem. III.6.3.1 Imagens Binárias Os testes começaram, naturalmente, pela situação mais simples, como é o caso das imagens binárias. Neste sentido, foram criadas imagens teste com dois tipos de partículas: partículas redondas e partículas quadradas (Figura 9). Estas imagens foram então processadas com todos os operadores morfológicos referidos anteriormente. Os resultados que podem ser observados nas Figura 10 e Figura 11 dizem respeito às imagens da Figura 9. Estas imagens foram criadas com 30 partículas em forma de disco e quadrado, com 61 pixels de diâmetro. Os resultados obtidos constituem uma visão global das restantes imagens criadas. a) b) Figura 9. Imagens teste em binário: a) 30 partículas em forma de disco com 61 pixels de diâmetro e b) 30 partículas em forma de quadrado com 61 pixels de lado. 4 i é o tamanho da abertura, também referido por . 37 ________________________________________________III. Análise Dimensional A partir da observação da Figura 10 é possível concluir-se que o operador morfológico que mede o tamanho correcto das partículas presentes na Figura 9 a) é o das aberturas com atributo em forma de caixa (2i+1), uma vez que a recta de distribuição repousa no valor 61 pixels, que é exactamente o valor das partículas criadas. Os restantes operadores, claramente, subestimam o valor do tamanho, apresentando rectas sistematicamente abaixo do valor de referência. A excepção é feita para o caso da abertura com atributo em caixa (i) com representação em maxtree, onde ocorre uma clara sobre-estimação do valor dimensional das partículas, apresentando o valor final de 121 pixels. Na Figura 11 os resultados são iguais para todos os operadores, novamente com a excepção da abertura em forma de caixa com representação em max-tree, onde ocorre uma clara sobre-estimação dos resultados dimensionais. A distribuição granulométrica para o operador morfológico abertura é representada por uma curva, em vez de uma recta. Isto acontece porque o elemento estruturante usado no cálculo da abertura tinha a forma de um quadrado e como a abertura simples altera a forma das partículas analisadas, o tamanho medido é progressivamente menor. Esta questão foi resolvida na abertura simples com reconstrução, no entanto não explica porque a distribuição termina no valor 45 pixels. Este resultado deve-se a outra particularidade da abertura morfológica simples: o facto de uma partícula ser considerada de determinado tamanho, quando o elemento estruturante de tamanho estiver completamente contido dentro desta (Lira, 2006). Como as partículas são circulares e o elemento estruturante um quadrado, este está completamente contido dentro da partícula num tamanho ligeiramente menor que o diâmetro desta, provocando necessariamente a terminação da curva de distribuição num tamanho inferior ao valor real. No caso de partículas reais, com formas circulares ou elípticas irregulares, no caso da abertura o diâmetro medido corresponde ao diâmetro intermédio da partícula quando considerada a 3D e ao diâmetro menor da partícula quando considerada como área projectada. No caso das aberturas morfológicas binárias com atributo em caixa (2i+1) e representação em max-tree, uma vez que o objecto só é "crivado" quando 38 ________________________________________________III. Análise Dimensional totalmente contido no diâmetro de abertura 2i+1, este valor correspondendo, necessariamente, ao eixo maior da partícula. 100 90 80 % Acumulada 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 pixels Abertura Abertura com box(2i+1) e max-tree Abertura com area(2i+1)^2 e max-tree 80 90 100 110 120 130 140 150 Abertura c/ rec Abertura com box(i) e max-tree Figura 10. Projecção das granulometrias morfológicas binárias da imagem teste com os diferentes algoritmos de cálculo com elemento estruturante em quadrado e tamanho i=1:100, para a Figura 9 a). 100 90 80 % Acumulada 70 60 50 40 30 20 10 0 0 10 20 30 40 50 Abertura Max-Tree (abertura/box(i)) Max-Tree (abertura/box(2i+1)) 60 70 pixels 80 90 100 110 120 130 140 150 Abertura c/ rec Max-Tree (abertura/area(2i+1)^2) Figura 11. Projecção das granulometrias morfológicas binárias da imagem teste com os diferentes algoritmos de cálculo com elemento estruturante em quadrado e tamanho i=1:100, para a imagem Figura 9 b). 39 ________________________________________________III. Análise Dimensional III.6.3.2 Imagens de Cinzento À semelhança do que foi realizado para as imagens binárias, foram geradas imagens teste em níveis de cinzento, com partículas de tamanho crescente. Um exemplo deste conjunto de teste pode ser observado na Figura 12, onde se encontram representas 30 partículas de forma circular (a) e quadrada (b) com um diâmetro de 61 pixels. a) b) Figura 12. Imagens teste em cinzento: a) 30 partículas em forma de disco com 61 pixels de diametro e b) 30 partículas em forma de quadrado com 61 pixels de lado. Os resultados obtidos no cálculo da distribuição granulométrica das duas imagens referidas anteriormente podem ser observados nas Figura 13 e Figura 14, respectivamente, e constituem uma visão global dos resultados obtidos para o restante conjunto teste. No caso das imagens com partículas circulares é possível verificar que todas distribuições granulométricas subestimam o tamanho das partículas, apresentando uma forma curva própria de distribuições granulométricas que têm partículas de vários tamanhos. Como no caso aqui reportado as partículas têm todas o mesmo tamanho, a sua distribuição granulométrica deveria ser representada por uma recta (caso da linha de referência representada a tracejado). No entanto, embora todos os operadores morfológicos se comportem de forma inapropriada em relação aos resultados reais, aquele que se aproxima mais da realidade é o operador abertura com atributo em forma de caixa (2i+1). No caso das imagens com objectos quadrados nota-se novamente esta diferença entre as curvas de AI e a recta de análise de imagem. No entanto, neste caso todos os operadores apresentam a mesma curva, indicando que no caso de partículas 40 ________________________________________________III. Análise Dimensional quadradas qualquer deles será um bom método de cálculo, i.e., qualquer operador produzirá o mesmo resultado final. Importa perceber, no entanto, porque razão existe esta alteração na forma da distribuição, uma vez que, no caso específico destas imagens, as partículas apresentam todas o mesmo tamanho. Este problema resulta da forma como a morfologia matemática analisa uma imagem de cinzentos em relação ao que acontece com a imagem de binária. No caso da imagem em cinzentos esta é captada como um relevo, onde cada a partícula corresponde a um volume específico, cujos valores mais altos variam localmente, quando a partícula não é representada por um único valor de intensidade. A variação destes valores pode ser entendida como ruído de partícula o que provoca uma discrepância no valor de dimensão medido pelo método e alterando, necessariamente, a forma da distribuição. No entanto, nota-se que a distribuição termina exactamente no valor exacto do tamanho da partícula (61 pixels) no caso da abertura com atributo caixa para partículas circulares e para todos os restantes operadores no caso dos quadrados. Este facto demonstra que as partículas são bem medidas, no entanto há a necessidade de se efectuar uma correcção quando lidamos com imagens de cinzento. Este assunto é abordado na próxima secção. 41 ________________________________________________III. Análise Dimensional 100 % Acumulada 80 60 40 20 0 0 10 20 30 40 50 pixel Abertura Abertura com box(2i+1) e max-tree Abertura c/ rec e max-tree 60 70 80 90 100 Abertura c/ rec Abertura com area(2i+1)^2 e max-tree Referência Figura 13. Projecção das granulometrias morfológicas em cinzentos da imagem teste com os diferentes algoritmos de cálculo com elemento estruturante em forma de disco e tamanho i=1:100, para a Figura 12 a). 100 90 80 % Acumulada 70 60 50 40 30 20 10 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 Abertura Max-Tree (abertura/area(2i+1)^2) Max-Tree (abertura/box(2i+1)) pixels Abertura c/ rec Max_Tree (abertura c/ rec) Referência Figura 14. Projecção das granulometrias morfológicas em cinzentos da imagem teste com os diferentes algoritmos de cálculo com elemento estruturante em forma de quadrado e tamanho i=1:100, para a Figura 12 b). 42 ________________________________________________III. Análise Dimensional III.6.4 Factor de Correcção Quando as imagens de sedimento não apresentam um fundo uniforme que corresponde a uma zona marcadamente sem partículas e/ou quando as partículas que constituem o sedimento apresentam uma superfície representada por mais do que um nível de cinzento, é necessário proceder a uma correcção da distribuição granulométrica obtida com o método de granulometrias morfológicas em cinzento. Na Figura 16 é possível observar-se a projecção do perfil de níveis de cinzento na zona amostrada da imagem (segmento de recta a branco). Existem dois tipos de ruído neste perfil. O ruído aqui denominado de partícula e o ruído de fundo. O ruído de partícula corresponde a pequenos picos dos valores de intensidade nas zonas que claramente correspondem a objectos (grãos ou partículas sedimentares). O ruído de fundo, correspondente exactamente ao fundo, com picos de intensidade marcadamente menores. O ruído de fundo é contabilizado pelo volume obtido com aberturas inferiores ao menor tamanho das partículas presentes no sedimento em estudo. O ruído de partícula é contabilizado pelo volume das aberturas maiores, uma vez que é necessário usar aberturas maiores para atingir os picos de níveis de cinzento e processar completamente a imagem. A não correcção de nenhum tipo de ruído conduz a uma curva claramente desfasada da realidade. Na Figura 17 encontram-se projectadas as diferentes curvas de distribuição granulométrica obtidas com granulometria morfológica em cinzentos para uma amostra de areia proveniente da Praia da Lagoa de Albufeira (BSC1)(Figura 15). Figura 15. Imagem da amostra BSC1. 43 ________________________________________________III. Análise Dimensional É possível observar-se uma grande diferença entre a curva AI sem correcção e a curva da crivagem. Uma vez que na primeira estão contabilizados todos os volumes de níveis de cinzento, o seu peso é tão elevado que, com abertura de tamanho 500 (-3.81 ) a percentagem de grãos na imagens processada não passou de 20%. No entanto, quando procedemos à correcção do valor máximo, a curva de AI alterase logo para valores muito semelhantes aos da crivagem. Este valor máximo é calculado pela diferença entre cada valor de volume acumulado para cada abertura e corresponde à maior partícula existente na imagem. Ainda assim, na mesma figura, é possível observar-se que existe uma sobre estimação da percentagem das partículas menores na imagem. É nesta fase que se pode corrigir o ruído de fundo, a partir da obrigatoriedade de iniciar a curva de distribuição no valor mínimo encontrado (valor 100% no caso da distribuição acumulada). Este valor mínimo não é mais que a partícula mais pequena que pode ser encontrada na imagem. Figura 16. Perfil de níveis de cinzento de um segmento de recta numa imagem de cinzentos original e após aberturas com elemento estruturante de tamanho 16, 24 e 40. 44 ________________________________________________III. Análise Dimensional 100 90 80 % Acumulada 70 60 50 Crivagem 40 IA_corr_max_min 30 20 AI_corr_max 10 AI_s/ corr 0 -4.0 -3.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Figura 17. Projecção da curva de distribuição granulométrica calculada com granulometria morfológica em cinzento sem correcção, com correcção do valor máximo, com correcção do valor máximo e mínimo em comparação com o método da crivagem. Amostra da Praia da Lagoa de Albufeira (BSC1). III.6.4.1 Modelo Conceptual A utilização das granulometrias morfológicas com o conceito de max-tree permite um rápido cálculo da curva de distribuição granulométrica em imagens. No entanto, a sua aplicação não é linear. Verifica-se que o tipo de atributo utilizado conduz a diferentes resultados e que no caso das imagens de cinzentos existe a necessidade de utilização de um factor de correcção. A Tabela 3 sintetiza os resultados obtidos. Tabela 3. Síntese dos resultados em relação ao tipo de atributo usado na granulometria morfológica. Imagem Atributo da Max-Tree Propriedade Medida Resultado Abertura simples e/ou com Reconstrução Binária Enviesado no sentido do eixo menor Box (2i+1) Eixo Maior Exacto Box (i) Eixo Maior Enviesado - sobrestimado Área (2i+1)2 Area Enviesado - subestimado Eixo Menor Enviesado no sentido do eixo menor Eixo Maior Exacto com correcção Eixo Maior Enviesado - sobrestimado Area Enviesado - subestimado Abertura simples e/ou com Reconstrução Cinzentos Eixo Menor Box (2i+1) Box (i) Área (2i+1) 2 As granulometrias morfológicas binárias com max-tree devem ser realizadas numa imagem de sedimentos com grãos separados e binarizados, dispensando, desta forma, a etapa de correcção. O atributo usado deve ser a caixa (Box) com dimensão 45 ________________________________________________III. Análise Dimensional (2i+1) no caso de se querer medir o eixo maior e abertura simples com reconstrução no caso de interessar o eixo menor. As granulometrias morfológicas em cinzento com max-tree devem ser calculadas com atributo caixa (Box) com dimensão (2i+1), necessitando da etapa de correcção. A partir desta secção sempre que se se referir às metodologias que usam as granulometrias morfológicas em cinzento, estar-se-á a referir-se também à utilização do operador que conduz a melhores resultados: atributo caixa (Box) com dimensão (2i+1). A correcção corresponde à normalização da curva de distribuição granulométrica com aberturas morfológicas sucessivas em cinzento (Figura 18). Esta etapa é realizada a partir da subtracção entre o total da soma dos níveis de cinzento do primeiro passo de abertura abertura e o total da soma dos níveis de cinzentos do último passo de , que são encontrados para cada imagem: (14) A forma de cálculo destes dois valores chave ( e ) pode ser realizada de forma manual pelo operador, que avalia quais os dois valores de corte a partir da observação da distância em pixels da maior e menor partícula presente. No entanto, e como estamos a falar de automatizar procedimentos, interessa conseguir uma forma automática de encontrar estes dois valores para cada imagem. É nesta fase que os métodos estatísticos de análise de imagem podem ser bastaste úteis, nomeadamente o método proposto por Buscombe et al. (2010). Neste trabalho, os autores defendem que para calcular o diâmetro médio, o valor a que este está representado no correlograma corresponde a R=0.5. No entanto, verificase que para valores de R=0.3 e R=0.8, se encontram, de forma sistemática, os valores máximo e mínimo respectivamente, das partículas maiores e menores presentes na imagem. 46 ________________________________________________III. Análise Dimensional Figura 18. Fluxograma do processo de cálculo de curvas granulométricas com granulometrias morfológicas. 47 ________________________________________________III. Análise Dimensional III.7 Simulação de Partículas Artificiais A utilização de imagens reais no estudo da avaliação do comportamento das diferentes técnicas de processamento e análise de imagem encontra-se limitada pelo conhecimento que é possível extrair à priori dos objectos contidos nestes suportes. Uma imagem real que seja característica de um determinado tipo de sedimento, por exemplo, permite-nos obter uma representação desse mesmo sedimento, mas essa representação é bidimensional e, desta forma, o informação a retirar será necessariamente bidimensional. Partindo do princípio que a informação obtida pela AI é representativa da realidade bidimensional, em que medida é que pode também ser representativa da multidimensionalidade própria dos sistemas reais? Quais os erros associados a este tipo de análise? A forma mais fácil de contornar os obstáculos que as imagens reais de objectos nos colocam é a simulação de objectos de forma artificial. A simulação de partículas artificiais permite simular objectos que sejam representativos da realidade sedimentológica, de forma totalmente controlada. A simulação permite estimar características médias, mas também conhecer os extremos. Assim, a simulação, possibilita uma representação simplificada de uma determinada estrutura, que vai progressivamente tornando-se mais complexa, onde é possível testar o progresso da técnicas de AI à medida que o grau de complexidade do problema cresce. Permitenos, desta forma, lidar facilmente com problemas de escala ou resolução, mas também com problemas que advêm da resposta a diferentes suportes de imagem (i.e. imagem binária, imagem em níveis de cinzento, imagem RGB), da dispersão dos objectos (i.e. objectos isolados, objectos que se tocam, objectos que se sobrepõe) e/ou das características da superfície das partículas (i.e. partículas monominerálicas vs. partículas constituídas por vários minerais; partículas baças vs hialinas; partículas rugosas ou lisas). III.7.1 O Problema da Sobreposição das Partículas O problema incontornável nas imagens reais de sedimentos reside no facto das partículas sedimentares que compõem o sedimento se encontrarem sobrepostas, sendo impossível aferir o tamanho e forma das partículas que estão parcialmente ou totalmente ocultas pelas partículas de cima. 48 ________________________________________________III. Análise Dimensional A abordagem mais simples que permite verificar se as técnicas de AI são efectivamente eficazes na medição do tamanho de partículas sedimentares reside na comparação dos resultados obtidos pela AI com os resultados obtidos por um método tradicional de avaliação granulométrica (e.g. crivagem). Esta comparação permite obter uma primeira avaliação das potencialidades das metodologias de AI. No entanto, como ambos os métodos assentam sobre critérios diferentes de medição do tamanho, a comparação entre ambas as curvas pode não ser assim tão linear, como já foi referido anteriormente. A AI usa a área projectada convertida para volume pela multiplicação com o eixo menor medido na partícula para cada classe de retenção, enquanto que a crivagem mede o diâmetro de peneiração a partir do peso de cada classe que ficou retida num determinado crivo. O problema na comparação da crivagem com a AI reside no facto da primeira usar o peso, logo uma medida que tem em conta a densidade das partículas, em vez de estarmos a lidar, apenas, com o tamanho/forma das partículas. Quando usamos materiais naturais para calcular as distribuições granulométricas temos, necessariamente, que ter em conta que as diferenças nas curvas podem dever-se a estes constrangimentos de comparação entre métodos. Alguns autores têm, ao longo dos anos, tentado lidar com este problema da comparação entre diferentes métodos, dando algumas formulações empíricas que permitem corrigir os desvios entre métodos (Guérman-Rodriguez & Uriarte, 2009; Lira & Pina., 2011). A simples comparação entre métodos constitui por si só, uma problemática à parte, que sai do âmbito do presente estudo. De qualquer forma, o problema inicial mantém-se: como poderemos avaliar a AI se a comparação com métodos já existentes pode levantar dúvidas e criar enviesamentos nos resultados. É nesta fase que a modelação de estruturas aleatórias que simulem a distribuição granulométrica de partículas sedimentares constitui-se como sendo a ferramenta adequada para criar/simular imagens de sedimentos artificiais com curvas de distribuição granulométrica conhecidas, permitindo a sua comparação com as curvas granulométricas obtidas por AI. 49 ________________________________________________III. Análise Dimensional III.7.2 Modelos de Estruturas Aleatórias A morfologia matemática permite não só analisar estruturas, mas também criar estruturas, sendo esta última uma das suas menos conhecidas características. Alguns exemplos da aplicação de modelos de estruturas aleatórias podem ser encontrados em Kendall & Tho (1999), Jeulin & Math (2000), Lee (2001), Coster & Chermant (2002) e Kärkkäinen et al. (2002). Segundo Serra (1982) não existem fenómenos aleatórios, mas antes modelos probabilísticos que apresentam diferentes graus de correspondência com os sistemas naturais. É desta forma que os modelos probabilísticos são amplamente utilizados na morfologia matemática, fundamentalmente em dois grandes níveis. Um primeiro nível envolve a estimação do fenómeno, e o segundo nível diz respeito à génese dos conjuntos e funções, correspondendo à teoria dos conjuntos aleatórios. Nos modelos de estruturas aleatórias é possível reconhecer 3 famílias de modelos: 1. Processos pontuais 2. Partição do espaço euclidiano 3. Conjuntos e funções aleatórios. III.7.2.1 O Processo Pontual de Poisson Os processos pontuais têm sido bastante estudados e utilizados em diferentes campos, pois permitem modelar de forma simples vários fenómenos naturais, podendo-se encontrar uma boa revisão da literatura em Serra (1982). A característica principal destes modelos é a utilização de pontos, sendo o mais simples e aquele que mais tem sido aplicado: o processo pontual de Poisson. O processo pontual de Poisson é um processo totalmente aleatório onde não existem interacções entre os pontos, i.e., os pontos não são agrupados, não se encontram a uma distância pré-definida, entre outro tipo de interacções. Normalmente, este tipo de processo é a base da construção de processos pontuais mais complexos, onde se parte da inexistência de interacção entre os pontos simulados e se altera progressivamente o grau de interacção, evoluindo, assim, a simulação do processo pontual. 50 ________________________________________________III. Análise Dimensional O processo de Poisson é uma colecção de variáveis aleatórias {N(t) : t ≥ 0}, onde N(t) corresponde ao número de eventos que ocorrem no tempo t (com t=0 como ponto de partida). O número de eventos entre os tempos t1 e t2 é dado por N(t2) − N(t1) e segue a distribuição de Poisson. Cada realização do processo {N(t)} é uma função não decrescente de inteiros não negativos. Desta forma, a simulação de um processo pontual de Poisson para a construção de uma imagem é uma operação bastante simples. Basta simular separadamente e de forma aleatória as coordenadas de cada ponto segundo a distribuição de Poisson, e ir colocando cada ponto num fundo uniforme. Um exemplo do processo pontual de Poisson para a construção de imagens de pontos isolados pode ser observado na Figura 19, onde é possível observar duas imagens de 100x100 pixels com n=50 partículas. a) b) Figura 19. Processo pontual de Poisson: a) matriz 100x100 com n=50; b) matriz 100x100 e n=200. III.7.2.2 Partição do Espaço Euclidiano Os modelos de partição do espaço euclidiano são construídos exactamente como o seu nome indica, a partir da partição aleatória do espaço. Dos modelos de partição são mais conhecidos o modelo de Voronoi e o modelo de Johnson-Mehl. Estes modelos são construídos através do cálculo de zonas de influência de um conjunto finito de pontos isolados, i.e., dados determinados pontos no espaço, são construídas fronteiras (arestas de células) que delimitam as zonas de influência 5 de cada um dos 5 Zona de influência - região onde os pontos do plano estão mais próximos de um determinado ponto do que de qualquer outro. 51 ________________________________________________III. Análise Dimensional pontos. Em termos da morfologia matemática a tesselagem 6 (partição) de Voronoi nada mais é que um skiz7 associado aos pontos criados a partir de um processo pontual de Poisson (Serra, 1982). A diferença entre os modelos de Voronoi e de Johnson-Mehl reside na colocação dos pontos, i.e., no primeiro caso os pontos são colocados todos no mesmo instante, enquanto que no segundo a implantação dos pontos é realizada ao longo do tempo. A partir das noções simples dos modelos acima descritos é possível construir modelos de partição mais complexos, como crescimento diferencial de grãos, existência ou inexistência de fracturas ou onde estas só ocorrem em determinadas direcções. Um exemplo da partição do espaço euclidiano pelo processo de Voronoi pode ser observada na Figura 20, para uma imagem de 100x100 pixels e n=200 partículas. a) b) Figura 20. Partição do espaço pelo modelo de Voronoi: a) processo pontual de Poisson com n=200, para uma matriz de 100x100; b) Esqueleto das zonas de influência. III.7.2.3 Conjuntos e Funções Aleatórios III.7.2.3.1 O Modelo Booleano O modelo base para a construção de estruturas sólidas é o modelo booleano. Este modelo consiste em dois processos probabilísticos independentes: um processo pontual I para a criação dos germes (núcleos dos grãos), onde cada ponto 6 O termo tesselagem do espaço significa partição desse mesmo espaço (Serra, 1982). 7 Skiz - esqueleto por zonas de influência (Pina, 1998). ( ), 52 ________________________________________________III. Análise Dimensional e um processo de forma para a criação dos grãos (Petrou et al., 2006). O resultado do processo pontual é um conjunto de locais num espaço 2D, enquanto que do processo de forma resultam um conjunto de formas que se localizam em posições aleatórias escolhidas no processo pontual. O modelo booleano M, é a resultante da união de todos os grãos criados durante todo o processo: ( 15) Na Figura 21 é possível observar-se a implementação de um modelo booleano para uma imagem de 100x100 com 100 germes. a) b) c) d) Figura 21. Implementação de um modelo booleano para n=100: a) 8 partículas, b) 25 partículas, c) 71 partículas e d) 100 partículas. 53 ________________________________________________III. Análise Dimensional III.7.2.3.2 O Modelo das Folhas Mortas O modelo das folhas mortas é uma variação do modelo Booleano descrita pela primeira vez por Matheron (1968). Baseia-se numa sequência de grãos primários, com contorno delimitado, em contraste com os poros do modelo booleano. O seu nome advém da ideia de folhas que caem das árvores. Quando olhamos para baixo sobre um pedaço de terreno que está coberto de folhas mortas, as folhas em cima ocultam parcialmente as de baixo. A imagem resultante é uma sobreposição de folhas colocadas aleatoriamente: o modelo das folhas mortas pretende simular esse tipo de sobreposição. A sua construção é semelhante à do modelo anterior: o modelo das folhas mortas ( ) é obtido à custa da implementação sequencial de grão primários processo pontual de Poisson com intensidade tempo e o tempo num . Os grãos que aparecem entre o cobrem parcialmente os grãos formados em . À medida que um grão é colocado a fronteira desse grão é guardada, enquanto que as fronteiras dos grãos cobertos são apagadas. Quando a imagem se encontra totalmente coberta de grãos atinge-se o ponto de equilíbrio estático, i.e., a tesselagem aleatória do plano: ( 16) onde . Na Figura 22 pode ser observada a tesselagem de folhas mortas com apenas uma fase, com discos de 21 pixels e para t=100. Figura 22. Implementação de um processo de folhas mortas com uma fase para t=100. 54 ________________________________________________III. Análise Dimensional A construção de tesselagens de folhas mortas pode ser realizada numa imagem binária, em cinzentos ou mesmo numa imagem RBG (Figura 23 a). Os grãos podem apresentar uma cor uniforme ou então podem representar uma superfície não plana, por exemplo com a aplicação de uma função de distância como função primária a implementar nos grãos primários (Figura 23 b). a) b) Figura 23. Construção de uma tesselagem de folhas mortas. a) Tesselagem colorida com 1000 grãos que variam de tamanho entre 3 e 81 pixels e cor [1, 255]; b) Tesselagem com função de distância em disco com raio de 21 pixels. III.7.3 Simulação de Partículas Sedimentares De entre os modelos de simulação disponíveis qual é aquele que permite simular, de forma mais real, as partículas sedimentares? A escolha recai sob o modelo das folhas mortas. Este modelo permite obter uma sobreposição entre as partículas, que corresponde exactamente ao que acontece no caso dos sedimentos in situ: as partículas sedimentares estão sobrepostas umas sobre as outras, ocultando parcialmente ou totalmente as que estão por baixo. Desta forma procedeu-se à simulação de diferentes tipos de imagens a que vamos chamar de sedimentos artificiais. O grau de complexidade do contorno das partículas foi sendo aumentado progressivamente. Partiu-se de uma situação inicial em que foram simulados discos com apenas uma fase, seguidos de discos coloridos. A situação mais complexa neste tipo de contorno 55 ________________________________________________III. Análise Dimensional foi conseguida com a tesselagem de discos com função de distância, com raios de tamanho crescente. Adicionalmente, complicou-se um pouco mais o contorno das partículas com a tesselagem de folhas mortas de partículas octogonais. À semelhança dos discos, estas tesselagens começaram por ser de uma fase, passaram a coloridas e acabaram com a função de distância com octógonos de tamanho crescente. Por último, e por forma a simular partículas o mais semelhantes possível com as partículas sedimentares, foram computadas tesselagens de partículas da escala visual de Powers (1953) (Figura 51) - partículas reais. Estas tesselagens culminaram com a computação de tesselagens de partículas reais com função de distância, tendo sido dilatadas com elemento estruturante de tamanho crescente, para simular partículas de tamanho diferentes. Durante a criação de todas as imagens, foi computado o tamanho de cada partícula criada e simulada no modelo, obtendo-se uma curva da distribuição granulométrica do sedimento simulado. Esta curva, aqui denominada de granulometria real simulada (GRS), contabiliza cada partícula simulada, mesmo aquelas que possam estar parcial ou totalmente ocultas. Cada imagem foi depois analisada com o método das granulometrias morfológicas em cinzento e os resultados comparados com a granulometria real simulada. III.7.4 Resultados Da Figura 24 até à Figura 26 podem ser observadas algumas das tesselagens realizadas na simulação de sedimentos artificiais, onde é possível verificar que se partiu de situações mais simples de simulação, para situações mais complexas e semelhantes às encontradas nos sedimentos reais. Em relação aos resultados obtidos para as GRSs e o método de AI, estes podem ser observados na Figura 27. A curva denominada de real é a média de todas as curvas granulometrias de sedimento real simulado e a curva denominada de medido representa a média das curvas granulométricas medidas com o método de AI com granulometrias morfológicas em cinzento para cada uma das imagens simuladas. 56 ________________________________________________III. Análise Dimensional De uma forma geral é possível constatar que a margem de erro de medições realizadas em partículas sobrepostas é de cerca 20%. Pelo que os resultados de AI em imagens in situ apresentam um grau de confiança de 80%. a) b) Figura 24. Tesselagens de folhas mortas coloridas com partículas simuladas com forma: a) circular e b) polígonal. Figura 25. Tesselagens de folhas mortas coloridas com partículas reais (Powers, 1957). As imagens tem 1000x1000 pixels com 5000 partículas. 57 ________________________________________________III. Análise Dimensional Figura 26. Tesselagens de folhas mortas com função de disco e partículas reais (Powers, 1957). As imagens tem 1000x1000 pixels com 5000 partículas. 100 90 80 % Acumulada 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 pixels real medido Figura 27. Projecção da média das curvas da GRS e da média das curvas medidas nas imagens finais com o método de granulometrias morfológicas em cinzentos. O fuso a vermelho representa 20% do erro da curva média. 58 ________________________________________________III. Análise Dimensional III.8 Comparação dos Resultados da AI com a Crivagem e Difracção Laser Os métodos actualmente mais utilizados para proceder à medição do tamanho de partículas sedimentares são a crivagem e a granulometria laser. Na medida do que foi anteriormente dito, importa conhecer e avaliar como estes dois métodos estão relacionados e correlacionados com os restantes métodos de análise de imagem. III.8.1 Metodologia No seguimento das metodologias de análise de imagem desenvolvidas neste trabalho, interessa perceber se a sua aplicação conduz a resultados com significado geológico semelhante aos métodos mais utilizados, por forma a evidenciar que a sua aplicação pode ser vantajosa relativamente aos métodos tradicionais. Desta forma, foram testadas e comparadas as distribuições granulométricas obtidas pelos seguintes métodos: crivagem, difracção laser (LD), análise de imagem em binário (Lira, 2006) e análise de imagem em cinzentos, com operador com atributo caixa (Box) com dimensão (2i+1). No caso específico das granulometrias por análise de imagem em binário, resolveu-se comparar adicionalmente os resultados obtidos aplicando a separação dos grãos que se tocam (AI em binário com separação) através da abertura com reconstrução e não aplicando nenhum algoritmo de separação, apenas a computação da distribuição usando aberturas simples. III.8.2 Conjuntos de Amostragem A metodologia seguida para proceder à comparação dos diferentes métodos consistiu na escolha de 2 conjuntos de teste, compostos por areias provenientes de diferentes ambientes sedimentares (rio, praia, plataforma e talude), com características mineralógicas muito diferentes: DS1 – constituído por 22 amostras diferentes de dimensões inferiores a 500 m (Figura I, em Apêndice). DS2 – constituído por 8 amostras com dimensões 63 m a 2 mm (Figura II, em Apêndice). 59 ________________________________________________III. Análise Dimensional O conjunto DS1 apresenta dimensões inferiores a 500 m, uma vez que este é o limiar de tamanho para análise dimensional do aparelho de difracção laser utilizado neste trabalho. De forma a proceder à comparação dos diferentes métodos com a difracção laser, foi considerado limitar a dimensão das amostras a esse valor. O segundo conjunto (DS2) apresenta igualmente areias de diferentes ambientes, mas já não se procedeu ao corte da dimensão típica do sedimento nalgum limiar, analisando-se a totalidade da amostra. III.8.3 Aquisição das Imagens As imagens dos diferentes sedimentos foram adquiridas com um scanner de mesa, com resolução de 1800 dpi, o que se traduz numa resolução de imagem de 0.016 mm/pixel. No caso das granulometrias binárias, nas imagens adquiridas houve o cuidado de separar os grãos da melhor forma possível, evitando a assim que se tocassem ou houvesse sobreposição. Para a granulometria de cinzentos as imagens foram adquiridas com os grãos sobrepostos, tal como se as estas tivessem sido adquiridas in situ. III.8.3.1 Calibração do Modelo para a Autocorrelação O uso da autocorrelação a partir do método de Rubin (2004) exige um conjunto de curvas de calibração, se quisermos calcular a distribuição granulométrica completa do sedimento representado na imagem. Este conjunto de curvas de calibração é conseguido a partir do cálculo da curva de autocorrelação para cada uma das fracções de areia em cada amostra. O método exige que cada amostra seja previamente crivada sendo, posteriormente, obtida uma imagem de cada fracção. O procedimento usado foi o mesmo para todas as amostras. Os resultados das curvas de autocorrelação para as diferentes classes granulométricas das imagens de cinzento do conjunto DS1 podem ser observados na Figura IV até à Figura XVI, em Apêndice. Nestas projecções as curvas foram projectadas de acordo com a classe granulométrica de maneira a estabelecer diferenças/semelhanças entre as demais curvas. A partir da observação das curvas é possível constatar-se: 60 ________________________________________________III. Análise Dimensional 1. a existência de uma grande variação entre as curvas de autocorrelação das diferentes amostras para todas as fracções granulométricas utilizadas no processo de calibração, à excepção da fracção 250 m, onde a variação é menos significativa que nas restantes fracções. 2. que existe sobreposição de curvas de autocorrelação entre diferentes fracções, levando a supor que esse facto é tanto maior quanto menor for a semelhança entre as amostras analisadas. III.8.4 Resultados Os resultados obtidos são expressos através da projecção dos diâmetros médios dos diferentes conjuntos amostrais calculados com os diferentes métodos, podendo ser observados na Figura 28 até à Figura 35. Adicionalmente, os resultados globais são avaliados a partir do cálculo do erro quadrático (segundo Reid et al., 2001 e Sime & Ferguson, 2003) tendo em consideração os 7 percentis mais importantes (5, 16, 25, 50, 75, 84 e 95), de forma a analisar a curva como um todo e não apenas o valor central da distribuição. Os resultados encontram-se expressos granulométrica dois para os projectadas em anexo (Figura na conjuntos Tabela de 4. As dados curvas de analisados distribuição encontram-se III, em Apêndice). De uma forma geral é possível concluir que: 1. Existe um desvio sistemático das curvas LD em relação à crivagem, com resultados sistematicamente mais grosseiros e pior calibrados. 2. A AI exibe curvas sistematicamente mais próximas das da crivagem, quer em termos da sua posição, quer em relação à forma da curva. 3. O método de Autocorrelação produz curvas atípicas, revelando a ineficácia do método mesmo quando o conjunto de calibração é bastante abrangente em termos do tipo de sedimentos utilizados. 4. Em termos do D50 para o conjunto DS1, os melhores resultados foram conseguidos com os métodos de LD com R2 de 0.94, seguido da AI em binário com valor igual a 0.77. Os piores resultados foram conseguidos nos métodos AI em cinzentos com R2 de 0.32 e na Autocorrelação com 0.24. 5. O conjunto DS2 apresenta os melhores resultados para o D50 nos métodos de AI em cinzentos e Autocorrelação com valor de R 2 de 0.95 e 0.96 respectivamente. Os métodos de AI com e sem separação também exibem 61 ________________________________________________III. Análise Dimensional bons resultados, mas relativamente inferiores, com R 2 de 0.87 e 0.89 respectivamente. 6. Para o conjunto de calibração DS1 os métodos que apresentam menores erros quadráticos médios são a AI em binário e a AI em cinzentos com o método das max-trees, sendo este último aquele que apresenta o menor valor de erro. O pior resultado foi conseguido pela Autocorrelação que apresenta um erro quadrático médio quatro vezes superior ao conseguido pela difracção laser e 10 vezes superior aos métodos de AI. 7. O conjunto DS2 apresenta erros quadráticos médios menores nos métodos AI em cinzentos e AI com separação, respectivamente 0.06 e 0.31. A AI sem separação apresenta um EQM de 0.51 e a Autocorrelação um erro 0.60, sendo este cerca de 6 vezes maior que o erro conseguido na AI em cinzentos. 4.0 y = 0.63x R² = 0.94 Difracção Laser () 3.0 2.0 1.0 D50 Linear (D50) 0.0 -1.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Crivagem () Figura 28. Dispersão do D50 entre Crivagem e Difracção laser para DS1. 62 ________________________________________________III. Análise Dimensional 4.0 y = 0.33x + 0.89 R² = 0.77 3.0 AI() 2.0 1.0 D50 Linear (D50) 0.0 -1.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Crivagem () Figura 29. Dispersão do D50 entre Crivagem e Análise de Imagem binária com separação dos grãos para o DS1. 4.0 y = 0.46x + 1.29 R² = 0.24 Autocorrelação () 3.0 2.0 1.0 D50 Linear (D50) 0.0 -1.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Crivagem () Figura 30. Dispersão do D50 entre Crivagem e Autocorrelação para o DS1. 63 ________________________________________________III. Análise Dimensional 4.0 y = 0.20x + 1.46 R² = 0.32 AI Maxtree () 3.0 2.0 1.0 D50 Linear (D50) 0.0 -1.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Crivagem () Figura 31. Dispersão do D50 entre Crivagem e Análise de Imagem em cinzento para DS1. 4.00 y = 0.77x R² = 0.89 AI c/ Separação () 3.00 2.00 1.00 D50 Linear (D50) 0.00 -1.00 -2.00 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Crivagem () Figura 32. Dispersão do D50 entre Crivagem e Análise de Imagem binário com separação para DS2. 64 ________________________________________________III. Análise Dimensional 4.00 y = 0.79x - 0.28 R² = 0.87 AI s/ Separação () 3.00 2.00 1.00 D50 Linear (D50) 0.00 -1.00 -2.00 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Crivagem () Figura 33. Dispersão do D50 entre Crivagem e Análise de Imagem em binário sem separação para DS2. 4.00 y = 0.78x R² = 0.96 Autocorrelação () 3.00 2.00 1.00 D50 Linear (D50) 0.00 -1.00 -2.00 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Crivagem () Figura 34. Dispersão do D50 entre Crivagem e Autocorrelação em cinzento para DS2. 65 ________________________________________________III. Análise Dimensional 4.00 y = 0.88x R² = 0.95 3.00 AI Maxtrees () 2.00 1.00 D50 Linear (D50) 0.00 -1.00 -2.00 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Crivagem () Figura 35. Dispersão do D50 entre Crivagem e Análise de Imagem em cinzento para DS2. Tabela 4. Erro quadrático médio para sete percentis e número n de amostras. Conjunto de Dados DS1 (22 amostras) DS2 (8 amostras) Métodos EQM () Difracção Laser 0.58 Granulometria morfológica binária c/ separação 0.22 AI c/Autocorrelação 2.10 AI Max-tree 0.15 Granulometria morfológica binária c/ separação 0.31 Granulometria morfológica binária s/ separação 0.51 AI c/ Autocorrelação 0.60 Granulometria morfológica em cinzentos 0.06 III.8.5 Tempos de Computação Um dos objectivos deste trabalho é o estabelecimento de técnicas de AI que possam ser usadas de forma rápida e eficiente. Desta forma, a contabilização dos tempos de computação dos sedimentos em estudo é uma necessidade para provar que estas técnicas podem e devem ser aplicadas na caracterização de partículas sedimentares. 66 ________________________________________________III. Análise Dimensional Na Tabela 5 podem ser observados os tempos de computação para as amostras do conjunto de teste DS1. O cálculo da distribuição granulométrica completa para uma imagem demora cerca de 50 segundos a ser processado. A computação demora um pouco mais que os métodos de Rubin (2004) e Buscombe et al. (2010), que demoram duas dezena de segundos por imagem (Tabela 6). No entanto, no final do processo de computação do método proposto o resultado obtido é uma distribuição granulométrica completa e não apenas o valor do seu diâmetro médio. Importa, no entanto realçar, que no caso específico da contagem do tempo de computação do conjunto DS1, as aberturas foram medidas até um valor de 100 (201 pixels). O mesmo exercício foi realizado para o conjunto DS2 (Tabela 7), desta vez até uma abertura de 500 (1001 pixels) e os valores de tempos de computação subiram consideravelmente, levando uma média de 7 minutos, valores 7 vezes maiores. Os resultados de tempos de computação dizem todos respeito ao algoritmos corridos num computador com processador 3.17 GHz e usando o software Matlab com a toolbox de Morfologia Matemática. Tabela 5. Contabilização dos tempos de computação para as amostras do conjunto (DS1) usando o método de cálculo das granulometrias morfológicas em cinzento usando o conceito das max-trees. O cálculo foi realizado até uma abertura 100. Referência 961 962 963 964 965 966 967 968 969 970 971 segundos 38.7 50.9 47.2 35.6 55.6 37.6 40.9 46.8 43.1 45.5 50.1 Referência 972 973 974 975 976 977 978 979 980 981 982 segundos 43.4 41.0 43.3 47.3 19.8 49.0 43.7 45.5 40.3 44.5 43.6 Tabela 6. Contabilização dos tempos de computação para as amostras do conjunto (DS1) usando o método de cálculo de Buscombe et al. (2010). Referência 961 962 963 964 965 966 967 968 969 970 971 segundos 15.3 17.9 27.6 16.1 19.4 13.1 15.7 16.2 15.8 22.2 17.9 Referência 972 973 974 975 976 977 978 979 980 981 982 segundos 15.1 14.6 14.0 17.9 6.8 16.6 19.1 16.6 21.6 21.5 18.5 67 ________________________________________________III. Análise Dimensional Tabela 7. Comparação dos tempos de computação para as amostras do conjunto (DS2) usando o método de cálculo das granulometrias morfológicas em cinzento usando o conceito das max-trees. (abertura 500) e o método de Buscombe et al. (2010). Referência A5 960 F260 F263 F271 F275 Pfaro Sancha Granulometria morfológica em cinzentos segundos 331.9 351.3 414.5 456.3 398.4 571.9 416.8 361.7 Método de Buscombe segundos 21.6 17.4 14.2 12.9 11.8 12.7 22.3 19.6 III.9 Variabilidade Dentro do Método À semelhança do que foi realizado para avaliar a crivagem, também é necessário perceber qual a variabilidade que os métodos de medição do tamanho por AI com recurso à morfologia matemática, desenvolvidos no âmbito deste estudo, têm em relação a si próprios. Assim, foram testadas as variabilidades intra e inter amostra dos métodos de granulometria morfológica binária e granulometria morfológica em cinzento. Os resultados obtidos são posteriormente comparados com os resultados obtidos na crivagem anteriormente calculados. III.9.1 Metodologia Tal como o que foi efectuado para a crivagem, foram seleccionados 2 conjuntos de amostragem teste: um conjunto teste intra amostra e um inter amostra. O primeiro diz respeito à aquisição de imagens de uma mesma amostra de sedimento, tendo esta sido previamente remexida de forma a evitar a medição das mesmas partículas da imagem anterior. O segundo conjunto foi estabelecido com imagens de amostras do mesmo local de amostragem. Ambos os conjuntos de teste foram analisados pelas duas técnicas de AI: granulometria morfológica binária e granulometria morfológica em cinzentos. 68 ________________________________________________III. Análise Dimensional III.9.2 Resultados Os resultados obtidos na avaliação da variabilidade dos métodos de AI com recurso à morfologia matemática podem ser observados na Tabela 8, através dos desvios dados pelo EQM entre cada par de curvas. Estes resultados são comparados com os obtidos anteriormente para o método de crivagem. Os valores obtidos permitem afirmar, com confiança, que os métodos de AI com recurso à morfologia matemática, estabelecidos no decurso deste trabalho, apresentam uma boa reproductibilidade, obtendo-se valores de erro quadrático médio inferiores aos do método de crivagem. Tabela 8. Erros quadráticos médios dos conjuntos teste inter amostra e intra amostra para os três métodos de cálculo da distribuição granulométrica. EQM intra - amostra Granulometria morfológica binária EQM inter - amostra 0.0006 0.0081 2.43x10-6 1.5x10-3 0.0014 0.0170 Granulometria morfológica em cinzentos Crivagem 69 III.10 Protocolo de Aquisição de Imagem - Dimensão O protocolo de análise de imagem tem de ser definido de acordo com a quantidade de amostra a ser analisada, com o tipo de sedimento e com o local de ensaio amostra. A Tabela 9 pretende representar a escolha do método de acordo com a quantidade amostra disponível para análise. Na Tabela 10 é possível observar-se a o protocolo de análise de imagem de acordo com o local de ensaio e o tipo de partículas a analisar. Tabela 9. Métodos que podem ser utilizados de acordo com a quantidade de amostra. Quantidade Reduzida de Muita Quantidade Amostra Amostra > 100g < 100g Análise Laboratorial Análise Laboratorial Crivagem / LD Crivagem / LD Amostra In situ AI AI Com calibração Granulometria morfológica Granulometria binária morfológica binária Sem calibração Método de Buscombe / Método de Rubin Granulometria morfológica em cinzentos 70 ________________________________________________III. Análise Dimensional Tabela 10. Protocolo de análise de imagem de acordo com o tipo de sedimento e local de ensaio. Laboratório Partículas in situ Partículas soltas e separadas Partículas soltas não separadas Aquisição com scanner ou máquina Aquisição com scanner ou máquina fotográfica fotográfica / / Quartear a amostra até obter uma quantidade semelhante a uma colher de café. A caixa transparente deve estar bem limpa e sem dedadas na parte inferior na zona inferior. contacto e sobreposição das partículas. Colocar a recipiente no scanner e digitalizar. Necessita de uma imagem de fundo uniforme da estrutura se aplicável. transparente, que deve estar previamente transparente, tendo o cuidado de as Retirar a informação da localização da foto (GPS se possível) e informação visual Espalhar o conteúdo na caixa bem limpa e sem dedadas, especialmente espalhar pelo vidro de forma a minimizar Colocar as partículas na caixa Colocar a caixa estanque sobre o sedimento e tirar a fotografia. Quartear a amostra até obter cerca de 100g de sedimento. antes de colocar o sedimento. Aquisição com maquina fotográfica Recolher informação da resolução de aquisição das imagens. Colocar o recipiente no scanner e digitalizar Método de Rubin exige calibração: recolher amostras típicas do sedimento do local de amostragem. Não necessita da imagem de fundo uniforme 71 IV. Análise da Forma “A round man cannot be expected to fit in a square hole right away. He must have time to modify his shape.” Mark Twain A par da dimensão, a forma é uma das características importantes das rochas sedimentares terrígenas (Galopim de Carvalho, 2005), podendo fornecer informações importantes sobre os ambientes de sedimentação; a título de exemplo temos o papel da forma das partículas no comportamento hidráulico que estas exibem. Segundo Carver (1971), a forma de uma partícula é definida pela forma espacial geométrica que esta apresenta. A forma pode ser descrita pelo operador de modo completamente qualitativo. Esta descrição consiste na qualificação da partícula de acordo com uma forma geométrica previamente conhecida, e.g., forma cúbica, esférica, elíptica, prismática, tabular, acicular, cilíndrica, cónica, etc. Outro modo de descrever a forma de uma partícula é em termos da sua forma cristalina, como euédrica, hexagonal, tetragonal, etc. Embora a primeira descrição seja a mais utilizada na caracterização da forma ela apresenta um carácter subjectivo, faltando-lhe consistência na aplicação e exactidão na descrição. Por este motivo, a forma das partículas deverá, preferencialmente ser descrita de forma quantitativa e expressa numericamente por meio de medições. Os 73 ___________________________________________________IV. Análise da Forma parâmetros mais comuns para descrever a forma das partículas são: esfericidade, índice de achatamento e índice de alongamento. IV.1 Cálculo da Forma A forma de uma partícula é muitas vezes calculada a partir do rácio entre diferentes medidas que a partícula contém, i.e., pode-se medir a forma de uma partícula através do rácio eixo maior / eixo menor de uma partícula, por exemplo. Desta forma, têm vindo a ser utilizadas uma série de medições da dimensão de uma partícula para calcular a sua forma, como a área, perímetro, eixo maior e menor, entre outras. Quando falamos de análise de imagem, estas medidas passam da noção contínua do espaço Euclidiano para a noção descontínua do espaço digital, assim, importa perceber que obstáculos existem à correcta medição quando utilizamos as técnicas de AI. IV.1.1 Área Digital A área é definida como a medida de uma superfície planar num espaço a duas dimensões. A passagem desta definição para a definição de área num espaço digital foi realizada por Minkowski (1903). Este autor provou que a medição da área se realiza a partir da contagem de N 0 pontos numa rede sistemática, ou seja, a simples contagem de pixels, numa imagem digital, que formam o objecto. O espaçamento da rede nas direcções horizontal ( a 0 ) e vertical ( a90 ) define a superfície ou suporte elementar ( s i ) a que se associa cada pixel, obtendo-se assim: A N 0 .si (17) A medição da área digital é uma medida sem enviesamento, uma vez que é uma medida robusta à translação e rotação. A precisão na medição é função da densidade da rede de pixels, mas, de uma forma geral, uma centena de pixels por objecto é suficiente para medir com precisão a área digital. Uma forma simples de provar a veracidade da afirmação anterior faz-se a partir da medição da área digital de um objecto de área conhecida, cujas imagens digitais foram obtidas com diferentes resoluções. Os resultados encontram-se expressos na Figura 36, sendo possível observar que para resoluções bastante baixas, inferiores a 1000 pixels, a área medida para uma mesma partícula sofre poucas alterações. 74 Área em mm2 __________________________________________________ IV. Análise da Forma 130 125 120 115 110 105 100 95 90 85 80 0 50000 100000 Número de pixels 150000 Figura 36. O estimador de área e a sua robustez em relação à resolução do objecto. IV.1.2 Diâmetro Digital A noção de diâmetro digital não é um conceito único, uma vez que existem uma infinidade de propostas de diâmetros aplicadas à sedimentologia. Uma listagem das mais importantes e utilizada na caracterização da forma das partículas é apresentada de seguida, tentando identificar os prós e contras da utilização de cada um deles. IV.1.2.1 Diâmetro Equivalente O diâmetro equivalente corresponde à conversão da área de um determinado objecto no diâmetro de um disco com a mesma área. O diâmetro equivalente de um disco D0 é obtido revertendo a fórmula clássica de cálculo da superfície de um disco em: D0 4. A (18) A grande vantagem prática desta medida reside no facto de não ser necessário nenhum cálculo adicional com respeito a área ( A ). Segundo Pearson (2004), o cálculo do diâmetro equivalente deverá ser restringido à análise de objectos com formas bastante similares. IV.1.2.2 Diâmetro de Inércia Equivalente Medalia (1970) propõe outra estimação do diâmetro baseado numa simplificação do modelo de forma. Esta medição deixa de depender da transformação do valor de área, dependendo antes do cálculo dos momentos de inércia reais de um objecto e 75 ___________________________________________________IV. Análise da Forma da derivação matemática da elipse que partilha da mesma propriedade de inércia. A elipse com o mesmo momento de inércia pode ser caracterizada pelo seu eixo maior e menor, o seu centro de gravidade assim como a sua orientação. A matriz de covariância e os momentos de inércia das coordenadas de forma são definidos por: XX 1 . ( xi x) 2 N (19) YY 1 . ( yi y ) 2 N (20) XY 1 . ( yi y)( xi x) (21) N .( XX YY ) 1 2 (22) 2 XX YY XY (23) Os termos intermédios são dados por: Os eixos da elipse de inércia equivalente são dados por: Eli DMax 4. (24) Eli DMin 4. (25) A orientação do eixo maior é: 90º Onde é (26) . arctan XX XY 180º a orientação do DMax , o eixo maior da elipse de inércia equivalente. Eli Quando a partícula está orientada de acordo com o bordo horizontal da imagem, tem se que 0º . Segundo Pearson (2004), o interesse do diâmetro de inércia equivalente reside no facto deste conduzir a uma estimação mais rápida dos eixos maior e menor de qualquer objecto, assim como do seu alongamento e orientação. No entanto, o seu maior inconveniente é o de que não corresponde a uma medida precisa da partícula em si. IV.1.2.3 Diâmetro de Feret O diâmetro de Feret define-se como sendo o comprimento da projecção do envelope convexo de uma partícula numa dada direcção, estando, desta forma, sempre associado a uma direcção. Na prática, esta variável deve ser calculada para um 76 __________________________________________________ IV. Análise da Forma conjunto limitado de direcções, tipicamente, 8 ou 16 direcções, obtendo-se uma distribuição de Feret. A tendência geral da distribuição é um descritor pobre da forma de uma partícula, sendo mais frequentemente utilizado o diâmetro máximo de Feret e eventualmente o mínimo (Francus, 2004). Uma alternativa robusta consiste na utilização da orientação da elipse de inércia e recalcular o diâmetro de Feret ao longo da direcção conjugada (Pirard, 1990). A fórmula para calcular o diâmetro de Feret numa dada direcção 0º ,90º do conjunto de todas as coordenadas de contorno é: onde d Min Minxi sin(90º ) ( NI yi ) cos(90º ) ( 27) d Max Maxxi sin(90º ) ( NI yi ) cos(90º ) ( 28) F d Max d Min ( 29) Nl é o número total de linhas da imagem. Esta fórmula é dada considerando que a origem das coordenadas se situa no canto superior esquerdo e que o ângulo de orientação é contado no sentido contrário ao do ponteiro dos relógios com 0º correspondendo à direcção horizontal. IV.1.2.4 Diâmetro de um Circulo Inscrito e Circunscrito Até este ponto, um conceito muito importante para nos dirigirmos à medição do diâmetro está a faltar: a região mais fina da partícula não foi ainda correctamente identificada e medida. A medida anterior corresponde ao diâmetro máximo de um disco inscrito na partícula ( DIN ). Tal medida é especialmente importante para os sedimentologistas, assim como para o estudo da reactividade ou crescimento de um cristal. IV.1.2.5 Factor de Forma O factor de forma (Sf) é a maneira mais simples de representar a forma de uma partícula, expressando a irregularidade. No seu cálculo entra em conta a área da partícula e o perímetro da mesma: (30) onde Asp é a área projectada da partícula e P é o seu perímetro. O factor de forma (Sf) pode também ser denominado de Índice de Forma. 77 ___________________________________________________IV. Análise da Forma IV.1.3 Perímetro Digital O perímetro de um objecto é a distância que circunda o contorno de um objecto. A medição desta distância é bem conhecida no espaço bidimensional euclidiano. No entanto, quando estamos a lidar com objectos que são visualizados a partir da digitalização da sua imagem (processo sistemático de amostragem de pixels) o conceito de perímetro a que estamos habituados nas noções básicas de geometria complica-se bastante. A este novo perímetro vamos denominá-lo de perímetro digital. O perímetro digital, como lhe poderemos chamar, apresenta diferentes conceitos, como o perímetro exterior ou interior de uma partícula, sendo extremamente importante definir qual o perímetro digital a considerar para que futuras medições não fiquem comprometidas. Adicionalmente, as relações de vizinhança entre pixels atingem, na medição do perímetro, um especial destaque, sendo necessário estabelecer a conexidade mais adequada. Alguns sistemas estimam o comprimento do bordo de um objecto através da contagem dos pixels que tocam no fundo da imagem, conduzindo a uma subestimação do perímetro real do objecto, uma vez que a distância entre pixels que tocam na diagonal é maior do que a distância entre os pixels que se tocam ortogonalmente. Por outro lado, o perímetro medido desta forma é extremamente dependente da orientação do objecto. Russ (2002) afirma que, tendo em consideração um quadrado de lado 8, cujas imagens são obtidas com a rotação deste, se obtém uma sobreestimação do valor do perímetro aquando da sua rotação. Este autor afirma, ainda, que no caso anterior a estimação do perímetro através de cadeias de código (chain codes) é mais correcta e próxima da realidade do que a simples contagem dos pixels de bordo, uma vez que a definição desta cadeia não depende da orientação do objecto. Estes e outros aspectos característicos da medição do perímetro vão ser mais profundamente analisados e testados de seguida nesta secção. 78 __________________________________________________ IV. Análise da Forma IV.1.3.1 Perímetro Digital Exterior e Interior Por definição, o perímetro de um objecto é a medida do seu contorno, o que por si só levanta problemas em termos de análise de imagem. Em primeiro lugar não existe um contorno de qualquer objecto sem antes definir quais os pixels que efectivamente pertencem ao contorno ou fronteira do objecto e qual a conexidade entre eles. Os pixels da fronteira podem então ser definidos de duas formas: 1. Reter os pixels com valor com valor pi 1 que têm pelo menos um pixel na vizinhança pi 0 . Esta definição corresponde à definição de Perímetro Interior de uma partícula, onde os pixels que correspondem ao perímetro pertencem à partícula (Figura 37 b) e c)). 2. Reter os pixels com valor com valor pi 0 que têm pelo menos um pixel na vizinhança pi 1 . Esta definição corresponde à definição de Perímetro Exterior de uma partícula, onde os pixels que correspondem ao perímetro não pertencem à partícula (Figura 37 d) e e)). IV.1.3.2 Conexidade Outro aspecto a ter em consideração para além do tipo de perímetro que queremos definir na partícula, prende-se com a conexidade utilizada para definir qual os pixels na vizinhança dos que queremos encontrar. Somando todos os pixels que pertencem ao bordo como medida do perímetro seria o mesmo que considerar que todos os pixels se encontram a igual distância uns dos outros. Ora isto apenas acontece na conexidade 4. Quando utilizamos conexidade 8, os pixels que são definidos na direcção oblíqua, também apresentam, nesta direcção, um comprimento vezes maior que aqueles que apenas são considerados nas direcções horizontais e verticais (como acontece na conexidade 4). Seria de esperar que a conexidade 8 estaria mais próxima do perímetro real da partícula, mas é importante realçar que ambas as considerações de conexidade são modelos de estimação, pelo que qualquer uma delas, em diferentes situações estará mais próximo da realidade (Figura 37). 79 ___________________________________________________IV. Análise da Forma a) Partícula b) Perímetro Interior – Conexidade 4 c) Perímetro Interior – Conexidade 8 d) Perímetro Exterior – Conexidade 4 b) Perímetro Exterior – Conexidade 8 Figura 37. Perímetro Interior e Exterior de um objecto circular para as conexidades 4 e 8. IV. 1.4 Perímetro Digital – Calibração Procedeu-se à criação de imagens teste de diferentes formas de objectos a fim de aferir informações sobre os diferentes pontos acima mencionados. Para cada objecto foi medido o Factor de Forma. IV.1.4.1 Objectos Circulares Digitais Quando se procede à medição do Factor de Forma S f , dado pela expressão 4Asp / P 2 (sendo que Asp é a área e P o perímetro) para círculos perfeitos com áreas e perímetros diferentes, na geometria euclidiana, o resultado será sempre 80 __________________________________________________ IV. Análise da Forma igual a 1. No entanto, quando se procede à medição do perímetro na geometria discreta, como é o caso de imagens de objectos perfeitamente circulares com diferentes tamanhos, qual será a tendência central obtida? Importa conhecer e caracterizar este comportamento para se poder decidir se o perímetro é ou não uma medida a utilizar na caracterização da forma das partículas sedimentares e se o for, qual a forma de o calcular que conduz a melhores resultados. IV.1.4.2 Métodos de Medição do Perímetro Digital IV.1.4.2.1 Número de Pixels A medição do perímetro a partir do número de pixels baseia-se na mesma operação de cálculo da área de um objecto. Consiste na contagem dos pixels que são identificados como contorno do objecto, sendo-lhes atribuído o valor 1 para cada pixel encontrado, independentemente da direcção de contagem. As medições do perímetro por contagem simples foram realizadas no perímetro interior de uma partícula com as conexidades 4 e 8. IV.1.4.2.2.Método de Freeman Com o intuito de aproximar a medição do perímetro à distância euclidiana diferentes pesos são atribuídos aos pixels do contorno de um objecto dependendo da sua posição. Desta forma, diferentes movimentos na métrica ortogonal da malha quadrada de p pixels são pesados de modo diferente: 1. Movimentos verticais e horizontais são pesados 1 p; 2. Movimentos na diagonal é lhes atribuído o valor 2 p. Foi neste sentido que Freeman (1970) propõe a computação do perímetro baseado na criação de cadeias de código através da codificação das direcções dos pixels ao longo do contorno. A codificação da cadeia de código Freeman com conexidade 8 utiliza um código de 3 bits 0 c 7 para representar o caminho ao longo do centro de cada pixel da fronteira do objecto (Figura 38), calculando-se o perímetro como o comprimento da cadeia: PFree n p 2ni (31) 81 ___________________________________________________IV. Análise da Forma onde n p representa o número de elementos pares da cadeia e ni o número de elementos ímpares. Figura 38. Direcções de codificação da cadeia de código de Freeman para malha quadrada e conexidade 8. IV.1.4.2.3 Método de Vossepoel e Smeulders O método de Vossepoel e Smeulders desenvolvido em 1982 pretendeu melhorar o método de Freeman através da estimação do comprimento de linhas rectas através do uso da contagem dos cantos ( n c ), definido como o número de ocorrências consecutivas de elementos de igual valor na cadeia de código, adicionando um peso diferente aos valores pares e ímpares segundo a fórmula: PVoss 0.980n p 1.406ni 0.091nc (32) IV.1.4.2.4 Método de Kulpa O método de Kulpa distingue-se do método de Freeman através da derivação de um valor de compensação admitido pelo autor para o cálculo de linhas rectas: PKul 8 (1 2) (n p 2ni ) (33) IV.1.4.2.5 Fórmula de Cauchy-Crofton A fórmula de Cauchy-Crofton constitui uma alternativa à estimação do perímetro baseado em contagem de pixels nas fronteiras das partículas e, que segundo Francus (2004), conduz, teoricamente, a resultados não enviesados para partículas convexas. Uma vez que o perímetro corresponde ao comprimento da fronteira de um determinado objecto, no caso de um espaço contínuo, seja x(t ) e y (t ) a 82 __________________________________________________ IV. Análise da Forma representação paramétrica da curva contorno X , o seu perímetro é obtido pela seguinte fórmula: P( X ) x' 2 y ' 2 dt (34) X No entanto, esta fórmula não tem equivalente no espaço discreto e calcular o perímetro no espaço discreto complica-se um pouco. Serra (1982) propõe que o cálculo do perímetro se faça a partir da interpretação da fórmula de Crofton, que usa a rotação média do número de intersecções da sua versão digital nas diferentes direcções. 1 onde P( X ) 1 0 (1) da N X ( x, )dx (35) N (1) X ( x, ) é o número de pares consecutivos (0 1) na versão digital de X ( x, ) . Simplificando a expressão acima e, no caso de uma malha quadrada e configuração de vizinhança de 2x2, obtém-se a seguinte expressão, que utiliza as intersecções nas quatro direcções principais8 da malha quadrada: Pp ( X ) 3 2 .a0 . N1 ( X ,0) N1 ( X , ) N1 ( X , ) N1 ( X , ) . 4 2 4 4 2 (36) N1 ( X ,0) N 1 0 (37) 0 N1 ( X , ) N 2 1 (38) 0 N1 ( X , ) N 1 4 (39) 0 3 ) N 4 1 (40) N1 ( X , N 1 - Número de conexidade para um conjunto sistemático de linhas paralelas numa determinada direcção. a 0 - Distância unitária entre pixels na direcção horizontal (0º). 8 O número de intersecções é também denominado de variação diametral. 83 ___________________________________________________IV. Análise da Forma IV.1.4.3 Geração de Objectos Digitais de Forma Conhecida Com a finalidade de estudar o efeito da digitalização de objectos na medição do perímetro foram gerados objectos circulares, poligonais e elipsoidais de tamanho crescente. Para cada objecto gerado foi calculado o Factor de Forma ( S f ) com diferentes conexidades e formas de cálculo do perímetro. De uma forma geral, o círculo é definido como o local de pontos situados a uma distância fixa do centro. Uma vez que a representação de cada círculo terá que ser realizada por pixels, aplicou-se esta definição, formulada para o espaço contínuo, ao espaço discreto e geraram-se círculos com raios crescentes desde 1 até 1000. Alguns exemplos dos objectos circulares criados podem ser observados na Figura 39. 0 0 0 0 0 1 0 1 1 0 1 1 1 0 0 1 1 1 1 0 0 1 1 1 1 0 0 0 0 0 0 0 1 0 1 1 0 0 1 1 0 1 1 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 1 1 1 1 1 1 0 0 1 1 1 1 1 1 0 0 1 1 1 1 1 1 0 0 1 1 1 1 1 1 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 Raio 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 Raio 2 0 1 1 0 0 1 0 0 0 Raio 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 1 1 0 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 0 0 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Raio 5 0 0 0 0 Raio 8 0 0 0 0 0 0 0 Raio 12 Figura 39. Exemplos de geração automática de círculos digitais para os raios 1, 2, 3, 5, 8 e 12. Da mesma forma o conceito da geração de objectos circulares foi estendida à geração de objectos poligonais e elípticos. No caso destes últimos, foram gerados objectos com diferentes tamanhos dos dois eixos principais da elipse (a e b), tal como pode ser observado na Figura 40. 84 __________________________________________________ IV. Análise da Forma 100 50/60 50/80 50/120 Figura 40. Representação visual de algumas das formas elípticas geradas em relação aos eixos principais a/b. IV.1.5 Resultados A Figura 41 representa a projecção do factor de forma de objectos gerados com forma circular para cada uma das seis técnicas de cálculo do perímetro. É possível observar-se que os dois piores resultados são obtidos quando se utiliza o método número de pixels com conexidade 4 e conexidade 8. Aqui claramente os valores de factor de forma repousam sistematicamente acima do valor de referência 1.0 no primeiro método e sistematicamente abaixo no caso do segundo. Figura 41. Factor de Forma de objectos circulares de raio crescente para cada uma das seis técnicas diferentes de cálculo do perímetro. 85 ___________________________________________________IV. Análise da Forma No caso dos restantes métodos, todos se comportam relativamente bem. No entanto, o método de Freeman apresenta piores resultados, uma vez que os valores estão mais afastados do valor de referência que no caso dos métodos Crofton, Vossepoel-Smeulders e Kulpa. Por último, importa realçar que o método de Crofton é aquele que atinge o valor mais próximo do valor de referência mesmo para partículas de menores dimensões. Na Figura 42 pode observar-se a projecção do perímetro digital em relação ao perímetro real para partículas elípticas de tamanho crescente. Os resultados obtidos evidenciam claramente, à semelhança do que acontecia com as partículas circulares, piores resultados para o método número de pixels com conexidade 4 e 8. Em seguida o método de Freeman apresenta melhores resultados que os dois anteriores, mas os melhores resultados são obtidos para os métodos de Crofton, Vossepoel- Smeulders e Kulpa. A Figura 43 apresenta a projecção do factor de forma de objectos de forma poligonal de tamanho crescente e o valor de referência que estas formas deveriam apresentar. Os piores resultados pertencem, novamente, ao método número de pixels com conectiviade 4 e 8. No caso da conexidade 4, a curva encontra-se sistematicamente acima do valor de referência, evidenciando uma sobre estimação por parte deste método. No caso da conexidade 8, a curva repousa sistematicamente abaixo do valor de referência, demonstrando uma clara sob estimação do valor de perímetro. O mesmo se verifica mas, neste caso, um pouco mais próximo do valor de referência, no método de Freeman. Este apresenta uma curva que nos primeiros valores se encontra acima do valor de referência, corta este valor por volta de partículas com área 100 (pixels) e os restantes valores são sistematicamente inferiores ao valor de referência. Os métodos mais próximos são novamente os de Crofton, Vossepoel-Smeulders e Kulpa. No entanto, Vossepoel-Smeulders apresenta piores resultados que os outros dois. O método de Crofton é aquele que apresenta valores mais consistentemente próximos do valor de referência, mesmo para objectos mais pequenos. 86 __________________________________________________ IV. Análise da Forma Figura 42. Relação entre perímetro real e perímetro digital de objectos elípticos de raio crescente para cada uma das seis técnicas diferentes de cálculo do perímetro. Pontos pretos representam o perímetro real. 87 ___________________________________________________IV. Análise da Forma Figura 43. Factor de Forma de objectos com forma poligonal de raio crescente para cada uma das seis técnicas diferentes de cálculo do perímetro. 88 __________________________________________________ IV. Análise da Forma De uma forma geral é possível concluir que os métodos Crofton, VossepoelSmeulders e Kulpa são todos métodos adquados para calcular o perímetro digital, mas o método de Crofton apresenta resultados mais consistentes que os demais, sendo aquele que se recomenda usar no cálculo do perímetro digital com as técnicas de AI. Por último aborda-se uma questão relacionada com o perímetro e o cálculo do factor de forma. No caso do cálculo do factor de forma dos objectos circulares, verificou-se que este nunca atinge o valor de referência 1 e mesmos nos métodos de cálculo do perímetro digital que apresentam os melhores resultados, existe uma estruturação cíclica de picos de valor de perímetro, alternando um valor sistematicamente mais baixo com outro mais alto. Este facto produz erros quadráticos que nunca atingem o valor zero, mesmo quando os objectos apresentam uma dimensão considerável. Uma explicação possível pode estar relacionada com o facto dos objectos circulares não estarem a ser analisados num espaço euclidiano e contínuo, mas num espaço amostral descontínuo, e por isso estarmos perante a geração de algo com características fractais. IV.1.5.1 Tolerância à Rotação Com a finalidade de testar a tolerância à rotação dos métodos de medição do perímetro digital foram geradas elipses com diferentes valores de a e b e calculados os perímetros digitais. De seguida estes objectos foram rodados até à posição de 90º tendo-se calculado o perímetro para cada valor angular de rotação. Os métodos de interpolação utilizados foram vizinho mais próximo, bilinear e bicúbico, todos eles métodos usados pelo software Matlab®. Os resultados foram posteriormente comparados com o perímetro real dos objectos elípticos reais e podem ser observados na Figura 44 à Figura 47. De uma forma geral, é possível verificar que, também na situação de rotação, os métodos de Cauchy-Crofton, Vossepoel-Smeulders e Kulpa são aqueles que conduzem a melhores resultados, sendo os mais próximos dos valores reais. No entanto, neste tipo de ensaio o método de Crofton apresenta, de entre os três melhores, os piores resultados, sugerindo-se ao investigador que pretende usar 89 ___________________________________________________IV. Análise da Forma imagens com rotação, que deve optar pelos métodos Vossepoel-Smeulders e Kulpa, para obter resultados mais consistentes. Figura 44. Estimação do perímetro de uma partícula elipsoidal (r=100) com os métodos de interpolação: a) Vizinho mais próximo, b) Bilinear e c) Bicúbico e da Área (d)). 90 __________________________________________________ IV. Análise da Forma Figura 45. Estimação do perímetro de uma partícula elipsoidal (a=50, b=60) com os métodos de interpolação: a) Vizinho mais próximo, b) Bilinear e c) Bicúbico e da Área (d)). 91 ___________________________________________________IV. Análise da Forma Figura 46. Estimação do perímetro de uma partícula elipsoidal (a=50, b=80) com os métodos de interpolação: a) Vizinho mais próximo, b) Bilinear e c) Bicúbico e da Área (d)). 92 __________________________________________________ IV. Análise da Forma Figura 47. . Estimação do perímetro de uma partícula elipsoidal (a=50, b=120) com os métodos de interpolação: a) Vizinho mais próximo, b) Bilinear e c) Bicúbico e da Área (d)). 93 ___________________________________________________IV. Análise da Forma IV.1.5.2 Tolerância à Resolução Adicionalmente, resolveu-se testar, também, a tolerância do perímetro à resolução de aquisição de partículas reais. Foram utilizadas duas partículas de areia (Figura 48), com formas bastante distintas. As imagens foram adquiridas em RGB, com resolução crescente. O perímetro foi medido, novamente com os 6 métodos anteriormente analisados. Os resultados podem ser observados na Figura 49. De uma forma geral, é possível verificar que a resolução das partículas não afecta, de forma significativa, o cálculo do perímetro para resoluções superiores a 400 dpi. Figura 48. Partículas de areia digitalizadas com resolução crescente. Partícula A na esquerda e partícula B à direita da imagem. Figura 49. Tolerância do Factor de Forma de partículas reais em relação à resolução da partícula. 94 __________________________________________________ IV. Análise da Forma IV.1.6 Esfericidade/ Circularidade A esfericidade é uma propriedade das partículas sedimentares que expressa a aproximação da sua forma à de uma esfera. De uma maneira geral, serve para caracterizar a forma de uma partícula, comparando-a com a forma mais simples existente – a de uma esfera. Wadell (1932) foi o primeiro a escolher a esfera como padrão, tendo sido também o primeiro a estabelecer a independência dos conceitos geométricos de forma e arredondamento de uma partícula. A esfericidade pode ser definida, idealmente, como o rácio da área da superfície de uma esfera com o mesmo volume que a partícula pela área total da superfície da mesma. Quando a partícula tridimensional é caracterizada com base na sua forma 2D, a esfericidade dá lugar à circularidade. Uma vez que as metodologias de AI desenvolvidas no âmbito deste trabalho são apenas capazes de caracterizar com base em imagens 2D, o mais correcto é referirmo-nos à aproximação da medida forma em relação a um círculo, denominando de índice de circularidade (C(S)) a medida assim conseguida. IV.1.6.1 Momentos Geométricos – Método de Zuric O método de Zuric et al. (2008) baseia-se no cálculo dos momentos geométricos de uma partícula baseando-se em critérios de área que é uma medida bastante robusta em relação à rotação e translação. Desta forma, Zuric & Hirota propõem o cálculo da circularidade de um partícula, baseados na quantidade C (S ) que pode ser vista como uma medida de circularidade. Eles provam que a medida de circularidade C (S ) é uma medida robusta à translação e rotação, bem como às irregularidades no contorno da partícula, quando comparado com o factor de forma S f , anteriormente definido. ( 0,0 ( S )) 2 1 C (S ) 2 2,0 ( S ) 0, 2 ( S ) (41) 0,0 ( S ) = m0,0 ( S ) =área de S numa imagem binária m1,0 ( S ) m0,1 ( S ) = centróide de S m (S ) , m (S ) ( X , Y ) 0, 0 0, 0 2,0 m2,0 X m1,0 95 ___________________________________________________IV. Análise da Forma 0, 2 m0, 2 X m0,1 A circularidade C(S) pode também ser denominada de Índice de Circularidade (IC). IV.1.7 Rolamento/Rugosidade A avaliação do grau de rolamento ou rugosidade de uma partícula sedimentar fornece informações sobre a intensidade do transporte, distância percorrida desde a origem dos sedimentos, tempo em que as partículas estiveram activas no ciclo sedimentar, sendo por isso um parâmetro importante na análise completa dos sedimentos. Na literatura é possível encontrar os termos arredondamento, rolamento e rugosidade para expressar o desgaste sofrido na superfície de uma partícula durante o seu transporte. Uma vez que o termo arredondamento e esfericidade podem ser facilmente confundido, Wadell (1935) estabelece, primeiramente, a sua diferença e independência entre ambos os conceitos. De facto, ambos os conceitos crescem com o desgaste da partícula, mas não existe nenhuma relação de proporcionalidade entre eles, i.e., um clasto pode apresentar baixo grau de esfericidade e um elevado grau de arredondamento e vice-versa. IV.1.7.1 Índices de Rolamento Devido à importância que o grau de rolamento tem na análise dos sedimentos, diversos autores apresentaram propostas de índices que permitem quantificar o grau de rolamento de uma partícula sedimentar. Para a avaliação, por peritos, do rolamento das partículas foram criadas morfologias padronizadas, propostas e aceites como referência que pretendem facilitar a descrição pelo processo visual comparando-o simultaneamente às expressões teóricas dos índices de desgaste. O processo visual de Kumbrein (1941) (Figura 50) compara o contorno da projecção dos clastos com silhueta padrão de desgaste ou arredondamento calculado a partir da expressão teórica de Wadell (1933). Com o mesmo propósito Powers (1953) (Figura 51) divulgou a sua carta de comparação de tipos de arredondamento com base em fotografias de grãos de areia com elevado e baixo grau de esfericidade, tendo individualizado, para o efeito, 6 diferentes graus de arredondamento. Da mesma forma, Shepard e Young (1961) divulgaram a sua carta de determinação visual baseada na carta de comparação de Powers também com recurso à fotografia (Figura 52). 96 __________________________________________________ IV. Análise da Forma Figura 50. Escala visual de Krumbein (1941b) para determinação do arredondamento de Wadell (1933). Figura 51. Escala de comparação visual segundo Powers (1953) e redesenhada por Pettijohn et al. (1973). As partículas de cima apresentam grau de esfericidade elevado, as partículas inferiores grau de esfericidade baixo: 1- muito anguloso; 2- anguloso; 3- subanguloso; 4- arredondado; 5- redondo; 6muito redondo (Galopim de Carvalho, 2005). Figura 52. Escala visual de comparação do grau de rolamento desenvolvida por Powers. Adaptado de Powers (1953) e Shepard (1973) com as seguintes classes de rolamento: 1 – Muito angular, 2 – Angular, 3 – Sub-angular, 4 – Sub-rolado, 5 – Rolado e 6 – Bem rolado. 97 ___________________________________________________IV. Análise da Forma IV.1.7.2 Factor de Rugosidade A aplicação dos índices de rugosidade tem sido conhecido um maior desenvolvimento no caso das partículas muito grosseiras, em detrimento das partículas da escala das areias. Este maior desenvolvimento deve-se ao facto de ser mais fácil e directo aplicar os conceitos teóricos subjacentes a estes índices a partículas de maior dimensão, uma vez que partículas mais pequenas têm exigido, até ao momento, técnicas de medição indirectas, com relevância para o uso da microscopia (Galopim de Carvalho, 2005). A necessidade de colmatar estas medições indirectas que advêm do uso da microscopia e simultaneamente, de recrear os resultados obtidos pela observação e comparação com as escalas visuais vigentes, define-se e explora-se a noção de Factor de Rugosidade. O conceito de factor de rugosidade pretende reflectir as mesmas características do índice de rolamento introduzido pelos autores anteriormente apresentados. A escolha do nome factor de rugosidade em vez de factor de rolamento, pretende acabar com a redundância associada ao termo rolamento que muitas vezes pode remeter para uma mais fácil confusão com a forma da partícula. A partir da noção de envelope convexo (Figura 53) formulou-se o pressuposto que uma partícula que apresenta rugosidades no seu contorno apresenta valores de envelope convexos diferentes do perímetro dessa mesma partícula. Quanto mais irregular o contorno da partícula, mais se afasta o rácio Perímetro da Partícula/Perímetro do envelope convexo do valor 1 e, consequentemente, mais angulosa é a partícula. O factor de rugosidade (FR) desenvolvido neste trabalho é dado pela fórmula: P ecx FR A / ecx Ap Pp 3 100 (42) 98 __________________________________________________ IV. Análise da Forma onde A p e Pp é são respectivamente área e perímetro da partícula; Aecx e Pecx área e perímetro do envelope convexo dessa mesma partícula (Figura 53). Com a finalidade de testar a correspondência entre o factor de rugosidade e os diferentes índices de rolamento foram digitalizadas as imagens dos diagramas de referência e calculados os factores de rugosidade das diversas partículas presentes. Os diagramas foram digitalizados com resolução 1800 dpi. Os resultados podem ser observados na Tabela 11, Tabela 12 e Tabela 13, respectivamente. Os grãos de cada classe de rolamento encontram-se perfeitamente individualizados dos restantes, pelo que este novo método de cálculo do grau de rolamento / rugosidade fornece resultados bastante satisfatórios, permitindo diferenciar as diferentes classes de rolamento. A correspondência entre o factor de rugosidade (FR) e os Índice de Rolamento previamente estabelecidos não é linear. O factor de rugosidade apresenta valores que podem variar entre 0 e 100 e o índice de rolamento apresenta valores que podem variar entre 0 e 6 ou entre 0 e 9 consoante as escalas visuais consideradas. Nesta medida, o factor de rugosidade necessita de ser corrigido para expressar um valor na escala 0 a 6. O Índice de rugosidade (IR) é então conseguido a partir da correcção do factor de rugosidade (FR) com os valores médios obtidos para a escala Powers (1953). Os valores de correcção podem observados na Tabela 14. A aplicação deste nova metodologia de cálculo da forma e grau de rolamento das partículas sedimentares da escala das areias foi realizado em Lira & Pina (2010), onde se realça a potencialidade desta técnica na análise da forma. Partícula Perímetro da Partícula Envelope Convexo Perímetro do Envelope Convexo Figura 53. Envelope convexo (região verde) de uma partícula (região cinzenta) e respectivos perímetros. 99 ___________________________________________________IV. Análise da Forma Tabela 11. Valores do Factor de Rugosidade (FR) calculados para as partículas da escala visual de Krumbein. Partícula Partícula Partícula Partícula Partícula Partícula Partícula Partícula Partícula 1 2 3 4 5 6 7 8 9 1 63.16 62.88 63.15 52.81 67.99 57.71 62.55 69.38 61.98 62.40 2 70.64 69.81 67.24 76.01 67.38 69.66 68.37 65.07 63.27 68.61 3 73.22 75.00 75.24 69.71 75.23 69.63 63.36 73.72 70.09 71.69 4 70.63 74.83 80.05 80.64 70.77 79.56 72.39 79.20 74.21 75.81 5 77.34 77.74 71.85 77.32 76.76 85.17 85.80 71.08 75.61 77.63 6 92.20 90.88 93.03 81.65 93.06 93.88 74.51 96.39 93.00 89.84 7 96.05 96.59 95.10 94.51 94.95 95.45 92.58 92.56 89.94 94.19 8 96.98 96.64 96.74 96.35 95.52 97.40 96.18 94.31 94.31 96.05 9 96.88 97.14 95.88 97.73 97.66 96.18 96.78 94.51 96.51 96.59 Escala Média Tabela 12. Valores do Factor de Rugosidade (FR) calculados para as partículas da escala visual de Powers e Pettijohn. Média Escala Partícula 1 Partícula 2 64.83 60.81 62.82 1 2 72.11 67.60 69.86 3 55.15 74.43 64.79 4 83.77 77.84 80.80 5 90.67 85.86 88.27 6 90.82 92.80 91.81 Tabela 13. Valores de Factor de Rugosidade (FR) calculados para as partículas da escala visual de Powers. Média Escala Partícula 1 Partícula 2 Partícula 3 Partícula 4 Partícula 5 35.52 43.19 42.88 42.03 33.78 39.48 1 2 48.93 56.22 54.64 54.82 51.47 53.22 3 75.51 69.06 77.10 69.25 82.04 74.59 4 85.98 74.44 82.07 78.75 79.01 80.05 5 86.53 81.82 86.15 86.97 82.79 84.85 6 91.37 95.25 95.32 94.78 94.89 94.32 Tabela 14. Índice de Rugosidade: Valores do Factor de Rugosidade corrigido para a escala visual de Powers. Escala Visual de Powers Valores do intervalo de classes Índice de Rugosidade FR (FR corrigido) Muito Anguloso 62.5 1 Anguloso 62.5 FR 71 2 Sub-anguloso 71 FR 86 3 Sub-rolado 86 FR 93 4 Rolado 93 FR 95 5 Muito bem Rolado 95 FR 6 100 __________________________________________________ IV. Análise da Forma IV.1.7.3 Comportamento a Diferentes Resoluções Com a finalidade de testar o comportamento do Índice de Rugosidade a diferentes resoluções, foram obtidas imagens da escala Powers (Figura 52) nas resoluções 1000, 800, 600, 300 e 150 dpi. A partir da análise da Figura 54 é possível verificar que até uma resolução de 300 dpi é possível distinguir os graus de rolamento das partículas. Para resoluções inferiores a esse valor, as diferenças entre as demais classes de rolamento são menos acentuadas, havendo mesmo uma sobreposição e inversão dos valores de índice de rugosidade obtidos para as diferentes classes. Na mesma figura, é possível observar-se o número de pixels (Área) de representação das partículas nas diferentes resoluções. 1000 160000 900 140000 120000 700 100000 600 80000 500 60000 400 Area (nº de pixels) Resolução (dpi) 800 40000 300 20000 200 100 50 55 60 65 70 75 80 85 90 95 100 0 105 FR (pixels) Pw1 Pw2 Pw3 Pw4 Pw5 Pw6 Figura 54. Projecção dos Índices de Rugosidade calculados para as classes de rolamento da escala Powers a diferentes resoluções: Pw1 – Muito Angular, Pw2 – Angular, Pw3 – Sub-angular, Pw4 – Subrolado, Pw5 – Rolado e Pw6 – Bem Rolado. 101 IV.2 Protocolo de Análise de Imagem - Forma O protocolo de AI para o estudo da forma das partículas sedimentares pode ser observado na Tabela 15. Tabela 15. Protocolo de Análise de Imagem para o estudo da forma de partículas sedimentares. 1. As partículas devem estar posicionadas de forma a 1. As partículas devem estar posicionadas de forma evitar a sua sobreposição ou toque. a evitar a sua sobreposição ou toque. 2. As partículas têm de estar posicionadas contra um fundo contrastante com a cor das partículas. Fundo preto para sedimentos claros, fundo branco para sedimentos escuros. 2. As partículas têm de estar posicionadas contra um fundo contrastante com a cor das partículas. Fundo preto para sedimentos claros, fundo branco para sedimentos escuros. 3. Adquirir as imagens com a maior resolução possível. 3. Adquirir as imagens com a maior resolução possível. Requisitos Fase de Aquisição de Imagem Sistema de Máquina Fotográfica Scanner Sem necessidade de correcção Com correcção do Efeito de Barril Máquina Fotográfica Scanner Sem necessidade de correcção Aquisição Correcção do Efeito de Barril Imagens adquiridas com o mesmo sistema de aquisição e com a mesma resolução Imagens adquiridas com sistemas de aquisição diferentes e com diferentes resolução Sem necessidade de correcção Correcção da escala das imagens: Redimensionamento das imagens para a mesma resolução Sistemas de Aquisição Fase de Processamento 102 V. Aplicações "A picture says more than a thousand words, but which words are these? " Taeke de Jong and D. J. M. Van der Voordt, in Ways to Study and Research Urban, Architectural, and Technical Design (2005). Neste capítulo apresentam-se diferentes aplicações práticas das metodologias desenvolvidas nos capítulos anteriores. Pretende-se demonstrar a flexibilidade, robustez e eficácia das metodologias desenvolvidas aplicando-as a diferentes objectos de estudo com características muito díspares. Para cada um dos exemplos estudados é dada uma descrição sucinta do problema em estudo e de como a AI pode ser uma mais valia nessa mesma caracterização. Seguem-se os resultados obtidos no estudo e uma pequena discussão dos resultados. Os exemplos dados poderiam ser objecto de estudo mais aprofundado, mas o intuito deste trabalho é demonstrar a aplicabilidade das metodologias de AI na caracterização de sedimentos e não produzir um estudo exaustivo do significado sedimentológico dos resultados obtidos. A aplicação das metodologias desenvolvidas foi realizada em areias de diferentes ambientes, nomeadamente areias de praia, areias de depósitos potencialmente tsunamigénicos e em imagens de partículas sedimentares extra-planetárias. Os métodos de AI usados nesta secção são: 103 _________________________________________________________V. Aplicações 1. Granulometria morfológica em binário - sempre que a quantidade de material amostrado não era suficiente para proceder à sua análise em cinzentos. 2. Granulometria morfológica em cinzentos - no caso das amostras terem quantidade suficiente de material para uma análise em cinzentos, amostras de sedimentos potencialmente tsunamigénicos e imagens de sedimento extraplanetárias. 3. Análise da forma a partir do cálculo dos índices de forma, arredondamento e circularidade e análise do grau de rolamento com o cálculo do índice de rugosidade. V.1 Análise Dimensional - Aplicação a Areias de Diferentes Ambientes A aplicação dos algoritmos desenvolvidos ao estudo de areias de diversos ambientes começa por ser um problema de desenvolvimento e calibração dos próprios modelos de análise de imagem. No entanto, após a fase de calibração, pretende-se que os algoritmos sejam robustos, possibilitando a sua aplicação ao estudo de casos reais. Neste sentido, foram aplicadas as metodologias desenvolvidas a 3 ambientes de praia com dinâmicas bastante diferentes: Praia do Alfeite, Praia da Lagoa de Albufeira e Praia da Cornélia. Adicionalmente, foram também analisados depósitos sedimentares potencialmente tsunamigénicos. V.1.2 Projecto Beach Sand Code O projecto Beach Sand CODE (Sand beach textural and compositional varaibility as indicator of sedimentary dynamics), financiado pela Fundação para a Ciência e Tecnologia (contrato PTDC/CTE-GEX/64592/2006) tem, como principal objectivo, estudar a variabilidade textural e composicional da areia de praia como indicador da dinâmica sedimentar. Com este objectivo, propõe-se o estudo em três praias com níveis energéticos distintos: Praia do Alfeite, Praia da Comporta e Praia do Salgado. Embora este projecto contemple o estudo destas três praias, este tem, adicionalmente, desenvolvido trabalho de campo noutras zonas costeiras, como a Lagoa de Albufeira. A subsecção seguinte pretende apresentar alguns resultados da 104 _________________________________________________________V. Aplicações aplicação a três praias onde se realizaram trabalhos de campo no âmbito do Beach Sand CODE. V.1.2.1 Praia do Alfeite (CODEA2) A praia do Alfeite é uma praia estuarina, localizada na restinga do Alfeite, na margem sul do estuário do Tejo, a noroeste do Seixal, entre o Rio Coina e Cacilhas (Figura 55). Os resultados obtidos dizem respeito aos trabalhos de campo desenvolvidos no dia 29 de Janeiro de 2010, desde as 9:00 às 18:30. Os vários membros da equipa efectuaram diferentes estudos: agitação, intensidade e direcção do vento, levantamento topográfico, amostragem de sedimentos. No entanto, aqui se refere apenas os trabalhos de amostragem e digitalização de sedimentos na face de praia e do swash9 ao longo do perfil transversal de praia previamente definido para o trabalho de campo do CODEA2. Figura 55. Localização da Praia do Alfeite e zona de estudo (amarelo). Retirado de Ribeiro et al. (2010a). 9 swash ou espraio - é o varrimento realizado pela chegada da onda na zona de espraio ou swash zone (zona mais inclinada da praia subaérea). O movimento de recuo é denominado de ressaca ou backwash. 105 _________________________________________________________V. Aplicações V.1.2.1.1 Trabalho de Campo Foram colhidas 18 amostras ao longo do perfil transversal de praia (Tabela 16). A colheita iniciou-se em baixa-mar e à medida que a maré foi subindo foram sendo colhidas amostras da face de praia (FP) e do swash. Após o pico de preia-mar e durante o abaixamento da maré foram, igualmente, colhidas amostras usando o mesmo procedimento. A amostragem da FP foi realizada colhendo o material da camada superficial do ponto de interesse com o auxílio de uma espátula, tendo sempre o cuidado de retirar apenas a parte mais superficial (zona sujeita à acção da maré). As primeiras 5 amostras foram todas colhidas à mesma hora, pois pretende-se conhecer as diferenças existentes em termos de gradação granulométrica existente na face de praia à nossa chegada. A amostragem do swash foi realizada de meia em meia hora, com o auxílio de uma pá, colocada estrategicamente aquando da chegada do swash de forma a colher o material transportado dessa forma. Em simultâneo foi medida a altura da erosão/acreção nas estacas colocadas no perfil transversal. Após a colheita do material, tentou-se fazer a aquisição de imagem in situ com um scanner de mesa, mas não foi possível obter-se imagens de boa qualidade, quer devido à presença de água nas amostras, quer devido ao desconhecimento prévio do modus operandi do scanner, conduzindo a imagens sobreexpostas na zona de fundo da imagem (background). Desta forma, as amostras foram guardadas em sacos de plástico e etiquetadas para serem processadas em laboratório. Uma vez no laboratório, as imagens foram cuidadosamente retiradas dos sacos de plástico e colocadas em caixas de petri, com o auxílio de água. As amostras foram então à estufa, no período da noite, a uma temperatura de 50ºC para secarem. Após a secagem as amostras foram digitalizadas com o recurso a um scanner de mesa, tendo o cuidado de minimizar o contacto entre os grãos presentes na amostra (Figura 56). O procedimento usado durante a digitalização encontra-se descrito em Lira & Pina, 2009. 106 _________________________________________________________V. Aplicações As imagens foram processadas usando o método de granulometrias morfológicas em binário, uma vez que o material obtido no swash apresentava pouca quantidade de areia, limitando o seu processamento ao método granulométrico morfológico binário. Figura 56. Exemplo de uma imagem obtida durante a fase de aquisição de imagem, com o uso de um scanner. Tabela 16. Amostras da campanha CODEA 2 para a análise granulométrica com análise de imagem. Posição Código Nº da no Tipo de Amostra perfil amostra Hora D50 Desvio Padrão (m) CODEA2_1_3m_SW 1 3 Swash 11:20 0.14 1.57 CODEA2_2_6m_FP CODEA2_3_10m_FP 2 6 Face de praia 11:20 -0.60 0.56 3 10 Face de praia 11:20 -0.85 0.49 CODEA2_4_14m_FP 4 14 Face de praia 11:20 0.14 0.38 CODEA2_5_16m_FP 5 16 Face de praia 11:20 1.64 0.81 CODEA2_6_8m_SW 6 8 Swash 12:00 0.03 0.64 CODEA2_7_10m_SW 7 10 Swash 12:30 -0.26 0.61 CODEA2_8_10m_SW 8 10 Swash 13:00 0.90 0.85 CODEA2_9_17m_SW 9 17 Swash 13:30 1.60 0.79 CODEA2_10_20m_SW 10 20 Swash 14:00 1.57 0.67 CODEA2_11_19m_SW 11 19 Swash 14:30 1.97 0.42 CODEA2_12_16m_FP 12 16 Face de praia 17:00 1.20 0.92 CODEA2_13_14m_FP 13 14 Face de praia 17:00 0.95 0.41 CODEA2_14_12m_FP 14 12 Face de praia 17:00 0.43 0.40 CODEA2_15_10m_FP 15 10 Face de praia 17:00 0.30 0.84 CODEA2_16_8m_FP 16 8 Face de praia 17:00 0.75 0.32 CODEA2_17_16m_FP 17 16 Face de praia 17:30 0.41 0.48 CODEA2_18_4m_FP 18 4 Face de praia 17:30 0.30 0.70 107 _________________________________________________________V. Aplicações V.1.2.1.2 Resultados Na Figura 57 e Figura 58 estão projectas as curvas de distribuição granulométrica para as amostras de face de praia e swash colhidas no perfil transversal de praia e na Tabela 16 podem ser observados o diâmetro mediano (D50) e o desvio padrão das curvas granulométricas calculadas. De uma forma geral, com a observação das curvas granulométricas é possível constatar que as curvas exibem uma grande variabilidade textural da face de praia como resposta ao ciclo de maré. As curvas alteram a sua de posição gráfica, indicando a variação do tamanho nos diferentes momentos do ciclo de maré. Esta variação de tamanho das partículas é também expressa pela variação do valor de D50 representado nas curvas granulométricas. No entanto, a variação em termos de selecção do material não é grande, uma vez que quase todas as curvas apresentam a mesma forma. Este facto é confirmado pela grande semelhança entre os valores calculados de desvio padrão. A única excepção é a curva da amostra número 1, que apresenta uma forma destacadamente díspar em relação às restantes. Seria esperado, à partida, que as amostras do swash fossem aqueles cujas curvas granulométricas evidenciassem formas diferentes das obtidas para as amostras de FP, uma vez que nem todas as partículas transportadas no swash assentam na mesma posição do perfil. no entanto, este resultado esperado apenas se concretiza na amostra número 1. Para as restantes amostras de swash (números 6, 7, 8, 9, 10 e 11) as curvas exibem uma forma bastante semelhante à das amostras de FP, alterando apenas a sua posição gráfica. Se tivermos em consideração a posição do perfil correspondente aos 10m (posição amostrada 3 vezes, a horas diferentes) talvez se possa inferir algo em relação ao que acontece durante um ciclo de maré. Às 11:20 foi colhida uma amostra evidenciando a posição de repouso do sedimento (posição de Baixa-Mar) apresentando um D50 de -0.85 . Às 13:00 o D50 é bastante mais fino (0.90 ) e às 17:00, novamente em Baixa-Mar o valor fica novamente um pouco mais grosseiro (0.30 ). Na Figura 59 encontram-se projectados os valores de D50 em função da hora de recolha da amostra e a sua posição no perfil transversal de praia. É possível realçar 108 _________________________________________________________V. Aplicações uma gradação de fino, grosseiro, fino nas amostras das 11:20. Esta gradação é novamente visível às 17:00, mas com valores mais finos que os anteriores, sugerindo que no final do ciclo de maré estudado, os sedimentos da face de praia se tornaram um pouco mais finos. Em relação ao desvio padrão, não se notam grandes oscilações em termos da selecção do material, à excepção dos sedimentos colhidos às 11:20, onde existe uma gradação mal seleccionado, bem seleccionado e novamente mal seleccionado. Às 17:00, volta a estabelecer-se a mesma gradação à do início do estudo, mas agora com valores de selecção semelhantes aos iniciais. Figura 57. Projecção das curvas de distribuição granulométrica das amostras de Face de Praia colhidas no perfil transversal. 109 _________________________________________________________V. Aplicações Figura 58. Projecção das curvas de distribuição granulométrica das amostras de swash colhidas no perfil transversal. Figura 59. Projecção do D50 em função da sua posição no perfil e da hora a que foi colhida a amostra. 110 _________________________________________________________V. Aplicações Figura 60. Projecção do Desvio Padrão em função da sua posição no perfil e da hora a que foi colhida a amostra. V.1.2.2 Lagoa de Albufeira A campanha realizada na Lagoa de Albufeira teve por objectivo, no caso da análise de imagem, aplicar a metodologia de cálculo de granulometrias morfológicas em cinzento desenvolvida neste estudo. Desta forma, foram adquiridas 3 imagens de areia da praia da Lagoa de Albufeira e, simultaneamente, foram colhidas 3 amostras de areia da mesma zona. As três areias são do mesmo local - Praia da Lagoa de Albufeira (Figura 61), mas a sua granulometria difere consideravelmente. Segundo a terminologia de Folk & Ward (1957), a amostra BSC1 é uma amostra do tipo areão, BSC3 e BSC6 são areias muito grosseiras, mas BSC3 é mais grosseira que BSC6. A aplicação ao estudo destas três amostras pretende ilustrar a potencialidade da técnica de granulometrias morfológicas em cinzento quando aplicadas ao estudo de areias de praia com diferentes calibres. As amostras foram processadas em laboratório e a distribuição granulométrica foi calculada usando o método da crivagem. Por outro lado, as imagens foram processadas e a distribuição granulométrica das partículas foi obtida pelo método das granulometrias morfológicas em cinzento usando as max-trees. Os resultados das curvas granulométricas com percentagem acumulada para os métodos de crivagem e AI em cinzentos podem ser observados na Figura 62 e com percentagens relativas 111 _________________________________________________________V. Aplicações na Figura 63 à Figura 65. Os valores de R obtidos pelo métodos de Buscombe (Buscombe et al., 2010) que deram origem aos valores máximo e mínimo de correcção podem ser observados na Tabela 17. Figura 61. Localização da Praia da Lagoa de Albufeira. Retirado de Ribeiro et al. (2010b). V.1.2.2.1 Resultados De uma forma geral, é possível concluir-se que esta nova metodologia é capaz de produzir resultados bastante semelhantes aos obtidos pela crivagem, provando a sua robustez para aplicação a sedimentos de praia in situ. As curvas granulométricas com percentagem relativa evidenciam a semelhança entre ambas as curvas (crivagem e AI), mas é possível observar-se um enviesamento da curva relativamente às fracções mais grosseiras. Este resultado é esperado, uma vez que estamos a lidar com imagens de grãos sobrepostos onde os grãos mais finos ficam, necessariamente, presos nos interstícios das partículas mais grosseiras dificultando o seu reconhecimento na fase de análise de imagem. No entanto, esta diferença não é 112 _________________________________________________________V. Aplicações muito significativa neste tipo de amostras, sendo mais acentuada em areias com muito heterométricos. 100 90 80 % Acumulada 70 60 BSC6_criv 50 BSC6_AI 40 BSC3_criv 30 BSC3_AI 20 BSC1_criv 10 BSC1_AI 0 -4.0 -3.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 Figura 62. Projecção das distribuições granulométricas de 3 amostras de praia calculadas com os métodos de crivagem (tracejado) e granulometria morfológica e cinzentos com max-trees (cheio). 100 90 80 % Relativa 70 60 50 40 30 20 10 0 -4.0 -3.0 -2.0 -1.0 BSC1_criv 0.0 1.0 2.0 3.0 4.0 BSC1_AI Figura 63. Projecção da curva de distribuição granulométrica com percentagem relativa para a amostra BC1. 113 % Relativa _________________________________________________________V. Aplicações 100 90 80 70 60 50 40 30 20 10 0 -4.0 -3.0 -2.0 0.0 -1.0 BSC3_criv 1.0 2.0 3.0 4.0 BSC3_AI Figura 64. Projecção da curva de distribuição granulométrica com percentagem relativa para a amostra BC3. 100 90 80 % Relativa 70 60 50 40 30 20 10 0 -4.0 -3.0 -2.0 -1.0 0.0 BSC6_criv 1.0 2.0 3.0 4.0 BSC6_AI Figura 65. Projecção da curva de distribuição granulométrica com percentagem relativa para a amostra BC6. Tabela 17. Valores máximo e mínimo de correcção do método granulometria morfológica em cinzento obtidos com o método de Buscombe et al. (2010). Valor R (Buscombe et al., 2010) 0.8 0.3 Valores em 1.39 -2.10 1.59 -0.2 1.44 -0.51 114 _________________________________________________________V. Aplicações V.1.2.3 Praia da Cornélia A Praia da Cornélia na Costa de Caparica está localizada no litoral norte da Península de Setúbal. Este areal contínuo, com cerca de 15 km, que se estende desde da Cova do Vapor até à Fonte da Telha está subdividido, em termos toponímicos, em pequenas praias com denominações distintas. Desta forma, a área de estudo localiza-se entre as praias da Saúde e da Cornélia, cerca de 5 km a sul da Cova do Vapor (Figura 66) (Ribeiro et al., 2010c). Figura 66. Localização da Praia da Cornélia. Imagem retirada de Ribeiro et al. (2010c). V.1.2.3.1 Trabalho de Campo Os resultados obtidos dizem respeito aos trabalhos de campo desenvolvidos no dia 13 Maio de 2010 e apenas reportam a amostragem e aquisição de imagens de sedimentos da face de praia. O trabalho de campo da equipa de AI centrou-se na aquisição de imagens do sedimento ao longo de um perfil transversal de praia, bem como a colheita de amostras de controlo da AI. O objectivo principal deste trabalho era a obtenção de curvas granulométricas de areias de forma totalmente automática 115 _________________________________________________________V. Aplicações a partir de imagens digitais das mesmas in situ. Foram, desta forma, adquiridas 39 imagens do sedimento ao longo do perfil transversal de praia, e colhidas 4 amostras de controlo (Tabela 18), cuja localização pode ser observada na Figura 67. Tabela 18. Amostras da campanha Praia da Cornélia, com a respectiva posição no perfil de praia e a hora de colheita. Código Hora Posição no perfil PC1 11:20 Terraço de Baixa-Mar PC2 11:30 Face de Praia PC3 11:40 PC4 Face de Praia (mais perto da berma) Face de Praia - nível de conchas Figura 67. Perfil transversal de praia. Os pontos representados mostram a localização da zona de aquisição de imagem e da colheita das amostras de controlo. Retirado de Ribeiro et al. (2010c). As imagens foram adquiridas com uma máquina fotográfica com resolução máxima de 10 Mpixels, encerrada numa caixa fechada de fundo transparente. A resolução 116 _________________________________________________________V. Aplicações das imagens obtidas é de 0.016 mm/pixel. O cálculo das distribuições granulométricas foi efectuado usando o método das granulometrias morfológicas em cinzento, tendo-se calculado também os 7 percentis principais (d05, d16, d25, d50, d75, d84 e d95). V.1.2.3.2 Tempos de Computação Os tempos de computação das imagens in situ foram calculados para todas as amostras analisadas para os métodos das granulometrias mofológicas em cinzento e para o método de Buscombe. Os resultados estão expressos em segundos e podem ser observados na Tabela 19. De uma geral é possível concluir que as granulometrias morfológicas em cinzento são mais morosas, mas realça-se que se obtém a curva completa, enquanto o método de Buscombe apenas mede o diâmetro médio. Tabela 19. Tempos de computação para o método das granulometrias morfológicas em cinzento e o método de Buscombe. Os resultados estão expressos em segundos. Referência P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 P18 P19 P20 Granulometria Morfológica em cinzento (s) 376 371 354 365 350 351 349 383 407 403 398 373 361 344 380 360 323 311 294 282 Método de Buscombe (s) 17 17 12 19 18 13 21 15 24 16 13 12 13 12 13 16 13 15 13 12 Referência Granulometria Morfológica em cinzento (s) Método de Buscombe (s) P21 P22 P23 P24 P25 P26 P27 P28 P29 P30 P31 P32 P33 P34 P35 P36 P37 P38 P39 307 272 275 265 282 290 307 352 354 370 392 390 422 433 443 347 316 310 316 12 12 14 14 18 22 19 25 19 22 15 20 20 20 19 19 24 19 19 117 _________________________________________________________V. Aplicações Claramente o método de Buscombe é mais rápido a calcular o D50, mas o tempo dispendido no cálculo da curva completa com o método de granulometria morfológica em cinzentos não é significativamente maior, especialmente se se considerar que estes tempo dizem respeito ao cálculo de granulometria até aberturas de 1000 (-5 ). Este cálculo foi realizado até aberturas de 1000 para analisar completamente as imagens dos níveis de conchas que apresentavam partículas de grande dimensão. Desta forma, se as imagens com grãos de maior dimensão forem analisadas separadamente estes tempos de computação irão ser bastante inferiores. V.1.2.3.3 Resultados Os resultados obtidos podem ser observados nas Figura 68 à Figura 71, onde se encontram projectados os valores dos percentis estudados. De uma forma geral é possível notar que existe uma gradação dos valores dos percentis ao longo do perfil transversal. Em relação exclusivamente ao D05 é possível verificar que este varia bastante no primeiro sector do perfil (Terraço de Baixa-Mar). O seu valor aumenta progressivamente até atingir o pico na zona de colheita da amostra P24, diminui progressivamente até à amostra P31 e atinge um valor mais ou menos constante a partir deste ponto. A zona onde este valor estabiliza corresponde à berma e duna. O mesmo padrão repete-se para o percentil D16 e D25. Em relação ao D50 o padrão é ligeiramente diferente na região inferior do perfil (Terraço de Baixa-Mar). Aqui os valores medianos estão sempre abaixo do 0 até à posição da amostra P17. São progressivamente maiores até um máximo de -1.5 na amostra P24 e diminui progressivamente até estabilizar em 1.5 a partir da amostra P32 (berma e duna). Nos restantes percentis, D75, 84 e D95, o padrão é novamente muito semelhante. Os valores evidenciam um sedimento mais fino até à amostra P17 e mais grosseiro até à P28, estabilizando a partir da amostra P31. Estes resultados são consistentes com o observado visualmente na praia durante a campanha de campo. De facto, observou-se que o sedimento era mais fino no topo do perfil (berma e duna), transitava para uma zona onde se evidenciavam níveis bastante mais grosseiros (níveis de material bioclástico) e diminuía novamente para valores um pouco superiores ao observado no topo do perfil, na zona do Terraço de 118 _________________________________________________________V. Aplicações Baixa-Mar. A grande variação que se observa neste troço também é esperada uma vez que este é a zona que apresenta maior dinâmica num ciclo normal de maré. Os níveis bioclásticos encontrados parecem evidenciar linhas de máxima preia-mar, que terão depositado elementos sedimentares mais grosseiros durante eventos de maior agitação (tempestade). O topo do perfil é aquele que apresenta valores mais consistentes o que apenas prova que é a zona do perfil menos dinâmica e mais estável. d05 P28 P27 P26 P25 P24 P23 P22 P31 P30 P29 P24 P23 P22 P21 P20 P19 P18 P17 P16 P15 P14 P13 P9 P8 P7 P6 -1.0 P16 P15 P14 P13 P12 P11 P10 P9 P8 P7 P6 1.0 2.0 3.0 -3.0 -2.0 -1.0 P11 P10 P5 P4 P3 P2 P1 0.0 P39 P38 P37 P36 P35 P34 P33 P32 P31 P30 P29 P21 P20 P19 P18 P17 P5 P4 P3 -2.0 P39 P38 P37 P36 P35 P34 P33 P32 P28 P27 P26 P25 P12 -3.0 d16 0.0 P2 P1 1.0 2.0 3.0 Figura 68. Projecção dos valores dos percentis d05 e d16 para os 39 pontos amostrados do perfil transversal. 119 _________________________________________________________V. Aplicações d25 P28 P27 P26 P25 P24 P23 P22 d50 P31 P30 P29 P21 P20 P19 P18 P17 P9 P8 P7 P6 -2.0 -1.0 P29 P28 P27 P26 P25 P24 P23 P22 P21 P20 P19 P18 P17 P16 P15 P14 P13 P12 0.0 P11 P10 P9 P8 P7 P6 P5 P4 P3 P4 P3 P2 P1 1.0 2.0 3.0 -3.0 -2.0 -1.0 P39 P38 P37 P36 P35 P34 P33 P32 P31 P30 P16 P15 P14 P13 P12 -3.0 P39 P38 P37 P36 P35 P34 P33 P32 0.0 1.0 P11 P10 P5 P2 P1 2.0 3.0 Figura 69. Projecção dos valores dos percentis d25 e d50 para os 39 pontos amostrados do perfil transversal. 120 _________________________________________________________V. Aplicações d75 P29 P28 P27 P26 P25 P24 P23 P22 -3.0 -2.0 -1.0 d84 P21 P20 P19 P18 0.0 1.0 P31 P30 P39 P38 P37 P36 P35 P34 P33 P32 P29 P28 P27 P26 P25 P24 P23 P22 P21 P20 P19 P18 P17 P16 P15 P14 P13 P12 P11 P10 P9 P8 P7 P6 P5 P4 P3 P2 P1 2.0 3.0 -3.0 -2.0 -1.0 0.0 1.0 P31 P30 P39 P38 P37 P36 P35 P34 P33 P32 P17 P16 P15 P14 P13 P12 P11 P10 P9 P8 P7 P6 P5 P4 P3 P2 P1 2.0 3.0 Figura 70. Projecção dos valores dos percentis d75 e d84 para os 39 pontos amostrados do perfil transversal. 121 _________________________________________________________V. Aplicações d95 P28 P27 P26 P25 P24 P23 -3.0 -2.0 -1.0 P39 P38 P37 P36 P35 P34 P33 P32 P31 P30 P29 P22 P21 P20 P19 P18 0.0 1.0 P17 P16 P15 P14 P13 P12 P11 P10 P9 P8 P7 P6 P5 P4 P3 P2 P1 2.0 3.0 Figura 71. Projecção dos valores do percentil d95 para os 39 pontos amostrados do perfil transversal. V.1.2.3.4 Amostras de controlo Foram colhidas 4 amostras de controlo na área de estudo, tendo o sedimento sido analisado usando a técnica de crivagem mecânica. Os resultados podem ser observados na Figura 72. De forma geral é possível verificar que as curvas de crivagem e de granulometria morfológica em cinzentos apresentam resultados bastantes semelhantes. A única excepção verifica-se na amostra PC4 (crivagem) que corresponde à zona de amostragem da amostra P25 (AI) e que pretende caracterizar 122 _________________________________________________________V. Aplicações o nível bioclático presente na face de praia. Aqui a diferença entre ambas as curvas é extremamente pronunciada. Esta diferença prende-se com a técnica de amostragem de ambas as amostras. A amostra adquirida com a câmara fotográfica (P25) apenas representa a parte mais superficial do sedimento - camada superficial. No entanto quando se procedeu à amostragem do sedimento para tratamento laboratorial (PC4), foi amostrada também a camada arenosa onde assentava o nível bioclástico. Desta forma, a curva da crivagem representa também o nível arenoso enquanto que a curva da granulometria morfológica em cinzento apenas representa o nível bioclástico mais grosseiro, tal como pode ser observado na Figura 73. O resultado é uma discrepância entre a curva da crivagem que se encontra deslocada no sentido das partículas mais finas, em relação à curva de análise de imagem que representa o material mais grosseiro e superficial. A forma da curva também é diferente uma vez que o sedimento representado pela curva PC4 é muito heterométrico (nível bioclástos + nível arenoso). Figura 72. Projecção das amostras de controlo. As curvas granulométricas obtidas por crivagem estão representadas a tracejado e as curvas correspondentes à granulometria morfológica binária estão representadas a cheio. A mesma zona de amostragem está representada na mesma cor. 123 _________________________________________________________V. Aplicações Figura 73. Nível bioclástico amostrado e referenciado como P25. Pode ser observada a elevada quantidade de biolastos presentes na imagem, cobrindo totalmente o nível arenoso que se encontra por baixo destes bioclastos. V.1.2.4 Discussão A AI permite a análise de um grande número de amostras de forma rápida. No primeiro caso de estudo foram analisadas com o método de granulometrias morfológicas binárias 18 amostras de FP e do swash. No segundo caso, apenas 3 amostras foram analisadas, mas neste estudo apenas se pretendia exemplificar a aplicabilidade da técnica de granulometria morfológica em cinzento. No terceiro caso 39 amostras do perfil de transversal de praia foram analisadas com este mesmo método. No caso específico da praia do Alfeite as amostras necessitaram de tratamento laboratorial, e a grande mais valia do uso da AI prendeu-se com a possibilidade de analisar o sedimento transportado durante o swash, cuja amostragem apenas permitia a recolha de uma quantidade muita pequena de material. Desta forma, o cálculo da distribuição granulométrica deste tipo de amostras pode ser realizado facilmente com o método das granulometrias binárias morfológicas. Adicionalmente, o uso desta técnica permite obter imagens dos grãos separados o que permite, por sua vez, realizar estudos morfométricos nas partículas sem necessidade de trabalhos 124 _________________________________________________________V. Aplicações laboratoriais adicionais. Assim, as imagens das amostras encontram-se prontas para estudos posteriores, nomeadamente de análise da forma e de composição das partículas, podendo auxiliar nas conclusões a extrair do que já foi iniciado com o estudo dimensional. Nos casos específicos da Lagoa de Albufeira e da Praia da Cornélia o uso da AI permite analisar de forma rápida e eficiente sedimentos de praia na sua condição in situ, sem necessidade de amostragem e posterior tratamento laboratorial. Com a técnica de granulometria morfológicas em cinzento é possível obter uma curva granulométrica completa do sedimento de forma rápida e com resultados bastante semelhantes aos obtidos com a crivagem. Adicionalmente é de referir a potencialidade desta técnica na medição da camada superficial de sedimentos, o que pode ser um factor importante em estudos de dinâmica sedimentar, evitando os erros de amostragem neste tipo de estudos. 125 _________________________________________________________V. Aplicações V.1.3 Amostras de Tsunamis/Tempestitos Nas últimas duas décadas, o estudo dos depósitos de tsunamis passados aumentou rapidamente (Williams et al., 2005 e Peters et al., 2003) uma vez que é reconhecida a utilidade do estudo destes depósitos na avaliação do risco deste tipo de eventos (Jaffe et al., 2002). Os depósitos sedimentares atribuídos a tsunamis constituem uma prova concreta da inundação de determinada área e a investigação neste tipo de sedimentos tem vindo a focar-se no desenvolvimento de critérios para a sua identificação, uma vez que estes podem ser confundidos com outros tipos de depósitos, nomeadamente tempestitos10 (Morton et al., 2007). Segundo Jaffe et al. (2007), os estudos dos depósitos de tsunami modernos têm a vantagem de serem capazes de, pelo menos qualitativamente, relacionar as características dos tsunamis (e.g. run-up11, inundação, velocidade de fluxo, profundidade de fluxo) com as dos depósitos estudados (e.g. espessura, tamanho de grão, classificação). Uma vez apreendidas essas relações, poder-se-á aplicá-las aos depósitos paleotsunamigénicos12. Os mesmos autores utilizam, assim, a espessura e distribuição granulométrica para construir um modelo de sedimentação do tsunami que pode ser aplicado no cálculo da velocidades de fluxo do evento, por exemplo. Desta forma, o cálculo das distribuições granulométricas deste tipo de sedimentos assume-se como uma necessidade se se quer conhecer e caracterizar este tipo de eventos. É na investigação dos eventos de tsunami e na sua diferenciação dos demais, que a AI pode ser uma mais valia. Simultaneamente, esta metodologia permite o estudo das partículas sedimentares na sua posição in situ, sem a necessidade de remexer o sedimento. Uma vez que estes depósitos são raros, as amostras são preciosas, o que torna a AI uma técnica importante na preservação das estruturas sedimentares, 10 Depósitos sedimentares formados pela acção de ondas de tempestade, com estrutura característica que normalmente incluí gradação granulométrica decrescente. 11 Altura máxima, em cota, da zona costeira atingida por um tsunami. 12 Depósitos tsunamigénicos de eventos passados. 126 _________________________________________________________V. Aplicações libertando o sedimento para outros métodos de caracterização. A AI possibilita, ainda, análises e comparações posteriores, bastando guardar a imagem adquirida. V.1.3.1 Metodologia A metodologia de aquisição de imagem neste tipo de depósitos foi adaptada às amostras previamente existentes: dois box-cores (Tabela 20). Estas amostras caracterizam-se por níveis silto-argilosos intercalados por um nível marcadamente arenoso que corresponderá ao evento tsunamigénico/tempestade (Figura 74 e Figura 75). Os níveis arenosos foram digitalizados com um scanner de mesa, com resolução 0.014 mm/pixel. A aquisição de imagens deste tipo de depósitos poderá, também, ser realizada in situ, com o uso de uma máquina fotográfica, à semelhança do que já foi realizado para os sedimentos de praia. Uma vez que interessa perceber a estrutura do depósito grosseiro não bastava analisar o nível grosseiro como um todo, mas antes seria interessante perceber como a granulometria do material arenoso varia no espaço do próprio depósito. Surgiu, desta forma, a ideia de calcular o D50 do sedimento da imagem com uma janela móvel. Esta janela móvel percorre toda a imagem e permite calcular a distribuição granulométrica do material ao longo da posição espacial da mesma. A alteração no tamanho da janela permite verificar variações mais finas ou mais grosseiras, consoante as necessidades do investigador. Tabela 20. Referência das amostras potencialmente tsunamigénicas e respectiva localização. Referência Localização BDR-T2 Boca do Rio - Algarve BDR-T1 Boca do Rio - Algarve 127 _________________________________________________________V. Aplicações Figura 74. Imagem do nível arenoso do Box-core BDR-T2. Figura 75. Imagem do nível arenoso do Box-core BDR-T1. 128 _________________________________________________________V. Aplicações V.1.3.2 Resultados Os resultados obtidos podem ser observados da Figura 76 à Figura 81, onde é possível verificar que a enorme potencialidade desta técnica na análise de sedimentos que exigem a análise dimensional de acordo com a estrutura apresentada. O uso de uma janela móvel possibilita caracterizar o tamanho do sedimento ao longo do depósito arenoso, permitindo verificar quais as zonas onde as partículas são maiores onde são menores, níveis mais grosseiros versus níveis mais finos. A utilização de várias dimensões de janela móvel permite analisar de forma diferente a estrutura de evolução do depósito e verificar se existem níveis mais finos intercalados com níveis mais grosseiros. Adicionalmente, esta mesma análise não poderia ser realizada sem recurso à análise de imagem, uma vez que seria bastante dispendioso em termos de tempo analisar com tanto detalhe um depósito arenoso de dimensões tão pequenas. No entanto, esta análise tráz algumas incoerências do ponto de vista dimensional. Ao analisar-se a amostra BDR-T2 evidencia-se a presença de material mais grosseiro no canto superior direito da Figura 76. Numa análise ao sedimento original (Figura 74) é possível verificar que esta região corresponde ao nível argiloso, e que as partículas maiores são apenas "contaminação" do depósito arenoso que se desintegrou e contaminou parte do depósito argiloso. A "contaminação" pode ser observada no bordo superior e inferior das imagens pelo que nestas regiões os valores de dimensão estão claramente sobredimensionados. É de realçar ainda, que esta "contaminação" ocorreu durante o processo de corte da amostra e deve-se simplesmente à desintegração do depósito arenoso que por ser menos coeso que o depósito argiloso, facilmente permite que as partículas se soltem e migrem. Uma forma de solucionar este problema seria acomodar uma máscara do depósito arenoso e apenas realizar o cálculo da dimensão dentro desta máscara. Contudo, é sempre preferível preparar a amostra o melhor possível para a fase de aquisição de imagem. No que diz respeito à análise do sedimento arenoso pode observar-se que as projecções que apresentam maior discriminação do tamanho das partículas são as correspondentes às janelas móveis com 150 e 300 pixels. Nestas é possível perceber níveis mais grosseiros intercalados por níveis mais finos, mas que esta gradação não 129 _________________________________________________________V. Aplicações é linear, mas antes aparecem como nuvens no seio do depósito sedimentar. Em relação às projecções com janela móvel de 500 pixels estas gradações correspondem a regiões quadradas de cores diferentes, mas a sua distinção encontra-se claramente mais grosseira e menos descriminada. V.1.3.2.1 Discussão A AI pode ser uma mais valia na caracterização deste tipo de depósitos uma vez que, sendo raros, as amostragens são valiosas. O uso da AI permite realizar análises da dimensão das partículas sem necessidade de remexer na amostra, permitindo sempre dispor da imagem para posteriores análises e comparações. É de realçar, no entanto, que esta técnica ainda não é muito eficiente do ponto de vista computacional. Uma vez que se trata de uma janela móvel, a curva granulométrica é calculada para cada zona percorrida pela janela. No caso de janelas mais pequenas, uma corrida do algoritmo, numa imagem com cerca de 8000x6500 pixels, pode demorar um dia. É de destacar, de qualquer forma, que uma curva granulométrica completa é calculada para cada região percorrida pela janela móvel. Desta forma, gráficos como o estes, onde se projecta o D50, podem ser obtidos ou outros, com valores como o desvio padrão, curtose ou mesmo outros percentis, podem ser projectados após o cálculo. Esta vantagem da AI, aparentemente, compensa o esforço e tempo computacional dispendido na obtenção destes resultados e torna esta técnica mais potente na obtenção de resultados mais discriminados. As limitações associadas a esta técnica, são o elevado tempo de cálculo quando as imagens são muito pesadas e de grandes dimensões e o cuidado na preparação da superfície da amostra. Idealmente, a amostra deverá representar o mais possível o sedimento original, pelo que a imagem do sedimento deveria ser colhida in situ. Convém ainda realçar, que estes resultados são preliminares e meramente exemplificativos da potencialidade da técnica. Um desenvolvimento protocolar desta técnica, para este uso específico, será uma necessidade, de forma a colmatar enviesamentos que existem devido à não uniformização dos níveis mais finos onde 130 _________________________________________________________V. Aplicações os sedimentos tsunamigénicos se encontram inseridos. Este será, certamente, um trabalho futuro a desenvolver. Figura 76. Projecção do D50 da imagem box-core BDR-T2 para uma janela móvel de 150 pixels. Tamanho em mm. Figura 77. Projecção da D50 em mm da imagem box-core BDR-T1 para uma janela móvel de 150 pixels. Tamanho em mm. 131 _________________________________________________________V. Aplicações Figura 78. Projecção da D50 em mm da imagem box-core BDR-T2 para uma janela móvel de 300 pixels. Tamanho em mm. Figura 79. Projecção do D50 em mm da imagem box-core Tamanho em mm. BDR-T1 com janela móvel de 300 pixels. 132 _________________________________________________________V. Aplicações Figura 80 . Projecção do D50 em mm da imagem box-core BDR-T2 com janela móvel de 500 pixels. Tamanho em mm. Figura 81. Projecção do D50 em mm da imagem box-core Tamanho em mm. BDR-T1 com janela móvel de 500 pixels. 133 _________________________________________________________V. Aplicações V.2 Análise da Forma - Morfometria A forma é um importante parâmetro a ser considerado no processo normal de caracterização das partículas sedimentares, do qual é possível extrair informação significativa sobre diversos elementos, tais como o comportamento hidrodinâmico, história do transporte e tempo de actividade no ciclo sedimentar, entre outros. A medição correcta da forma, pode determinar um melhor conhecimento dos processos costeiros, levando mesmo ao melhoramento dos modelos utilizados. Embora a forma seja uma propriedade fundamental das partículas sedimentares, continua a ser uma das mais difíceis de caracterizar e quantificar. A quantificação dos resultados da forma em grãos sedimentares continua a ser, actualmente, uma tarefa demorada e monótona, extremamente dependente da objectividade do operador e com resultados por vezes difíceis de comparar. A medição da forma de partículas sedimentares a partir de imagens, deveria ser, em teoria, mais fácil e rápida de realizar, com resultados estatisticamente mais representativos, uma vez que é possível analisar um maior número de partículas. Neste sentido, alguns autores têm vindo a introduzir algumas formas de realizar esta análise morfométrica de forma automática (Brzezicki et al., 1999; Alshibli et al., 2004; Wettimuny et al., 2004; Blott et al., 2008 e Crawford et al.,2008). Apesar do esforço de analisar diversos tipos e tamanhos de partículas, os métodos que apresentam os melhores resultados práticos são aqueles que são aplicados a partículas maiores (e.g. agregados e partículas do tipo cascalheira), as partículas da escala das areias são mais difíceis de caracterizar e exigem, por isso, o estabelecimento de um método padronizado. V.2.1 Método O protocolo desenvolvido no presente estudo para a caracterização de partículas da escala das areias foi aplicado ao estudo de nove amostras de sedimento de diferentes ambientes (Tabela 21), a fim de quantificar, com uma rotina totalmente automática, vários elementos morfométricos: forma, circularidade, arredondamento, irregularidade e rugosidade/rolamento. 134 _________________________________________________________V. Aplicações Tabela 21. Amostras de sedimento e respectivos ambientes de colheita. Referência da Amostra 0961 0963 0967 0968 0969 0970 0979 0981 0982 Fracção (mm) 0.500 – 0.063 1.000 – 0.125 1.000 – 0.063 1.000 – 0.063 1.000 – 0.063 1.000 – 0.125 1.000 – 0.090 1.000 – 0.063 1.000 – 0.063 Ambiente de Colheita Duna Rio Praia – Terraço de Baixa-Mar Duna Praia – Terraço de Baixa-Mar Praia – Berma Praia – Face de praia Plataforma Plataforma V.2.2.Preparação da Amostra As amostras foram previamente separadas por crivagem, em fracções de 1/2 em 1/2 , desde os 0 a 4, e mantidas em separado para a fase de aquisição, processamento e análise de imagem. V.2.3 Aquisição e Processamento de Imagem A rotina de aquisição de imagem consistiu na dispersão das partículas de areia de uma determinada fracção num tabuleiro transparente, tendo o cuidado de minimizar ao máximo a sobreposição e o contacto entre partículas. O tabuleiro é colocado sobre o vidro do scanner13 e uma imagem da fracção é adquirida a 1800 dpi14, sobre um fundo contrastante (negro/branco). O processamento de imagem consistiu na transformação da imagem RGB numa imagem binária para posterior análise. A imagem RGB foi, primeiro, convertida numa imagem de cinzentos a partir de coeficientes de conversão para cada banda que asseguram a linearidade da conversão RGB, para níveis de cinzento e em formato Tiff e Jpeg, segundo Haeberli (1993) e Holub & Ferreira (2006). A imagem em níveis de cinzento é depois suavizada com um filtro Gaussiano, com matriz quadrada [3 3] e sigma 2.0. Procede-se, de seguida, à limiarização por Histerese que consiste na 13 14 Existe a possibilidade de adquirir a imagem com uma câmara fotográfica (ver protocolo) A resolução de aquisição com 1800 dpi permite a representação de uma partícula com 63m por matriz de pelo menos 4 pixels. 135 _________________________________________________________V. Aplicações criação de duas imagens de limiarização, uma que servirá de imagem marcador (limiar estreito) e uma que servirá de máscara (limiar largo) na reconstrução. O limiar ou treshold estreito é obtido com o método de Otsu (Lira, 2006) e o limiar largo é calculado através da identificação do nível de cinzento máximo da imagem suavizada, multiplicado pelo dobro do valor da entropia da imagem suavizada. A imagem reconstruída é depois filtrada com um pequeno fecho com reconstrução para eliminação de pequenas imperfeições. O algoritmo completo de processamento de imagem pode ser observado na Figura 82. Figura 82. Fluxograma dos passos do algoritmo de processamento de imagem. Após o processamento de imagem, a sua análise consistiu na medição de cinco parâmetros de forma: alongamento, forma, circularidade, irregularidade e rugosidade. Estes parâmetros de forma são obtidos a partir da medição de características nas partículas previamente separadas, como o eixo maior e menor projectados, área da partícula e área do envelope convexo, perímetro da partícula e perímetro do envelope convexo e factor de rugosidade. O alongamento é uma medida que se refere especificamente à relação existente entre os dois principais eixos da partícula. Numa imagem 2D, onde as partículas estão em equilíbrio com o suporte de repouso, os dois eixos projectados (eixo maior e menor) correspondem, respectivamente, aos eixos maior e intermédio da partícula 136 _________________________________________________________V. Aplicações tridimensional. Desta forma, o índice de alongamento (IE), que relaciona os dois eixos principais, pode ser calculado como o rácio entre os eixos projectados maior e menor. O índice de rugosidade (IR) é avaliado pelo método de comparação automática em relação estreita com a escala visual de Powers (1953), método desenvolvido no âmbito deste estudo e discutido anteriormente. O IR tem valores que variam entre 1 a 6, onde 1 representa partículas muito angulosas e 6 partículas muito roladas. A circularidade (IC) foi medida pelo métodos de Zuric et al. (2008). O último parâmetro a ser medido é a irregularidade, sendo este parâmetro avaliado a partir do Índice de Forma (IS) que é calculado a partir do factor de forma (Sf). V.2.4 Resultados Os resultados médios para todos os parâmetros medidos podem ser observados na Tabela I (em Apêndice), onde ressalta, à partida, o grande número de partículas analisadas em cada fracção, com um mínimo de 185 a um máximo de 2165 partículas. Estes valores são claramente mais altos que os normais 100 a 300 grãos medidos nos estudos mais recentes. A relação existente entre o índice de rugosidade IR e a fracção da amostra analisada, pode ser observada na Figura 83, podendo constatar-se que fracções mais finas exibem valores de IR mais altos que as fracções mais grosseiras. Embora fosse esperado encontrar valores de IR mais baixos nestas fracções (3.5 e 4), tal como tem sido observado em estudos anteriores e aceite como conhecimento comum (Magalhães, 2001). Esta discrepância em relação ao grau de rolamento das fracções mais finas pode estar relacionada com o facto desta investigação ter analisado várias classes mineralógicas e não apenas grãos de quartzo, cujas características têm sido mais estudadas. Adicionalmente, analisou-se o comportamento entre os restantes índices de forma nas diferentes fracções granulométricas estudadas (Figura 84). De uma forma geral, é possível concluir que os índices de circularidade (IC), alongamento (IE) e forma (IS) apresentam, sistematicamente, valores menores nas fracções mais grosseiras (0 a 0.5) nas amostras de duna, praia e plataforma. Estes resultados podem indicar 137 _________________________________________________________V. Aplicações que a maturidade dos grãos, nestas fracções, é menor que nas fracções mais finas. No caso específico das amostras de plataforma, os valores dos índices medidos são ainda progressivamente menores em relação às fracções mais grosseiras. A única excepção é observada na amostra de rio. Neste caso, fracções mais grosseiras e mais finas apresentam valores médios menores em todos os índices do que os que são obtidos nas fracções intermédias. Este facto pode estar relacionado com o facto de que essas fracções marginais não se encontram em equilíbrio com o tipo de ambiente em que estão inseridas. Quanto à variação em cada índice para uma mesma fracção pode observar-se que as amostras de duna exibem uma variação maior do valor médio do IC nas fracções 1 a 2, as amostras de praia nas fracções 0 a 1 e as amostra de plataforma nas extremidades da escala de fracções analisadas. No caso do índice de alongamento, o desvio é maior nas fracções mais finas para as amostras de duna, varia consideravelmente em todas as fracções das amostras de praia e é constante nas amostras de plataforma. a) b) c) d) Figura 83. Projecção da média do IR versus fracção granulométrica para os quatro tipos de ambientes sedimentares. 138 _________________________________________________________V. Aplicações a) b) c) d) Figura 84. Projecção da média dos parâmetros morfológicos versus fracção granulométrica para os quatro tipos de ambientes sedimentares: IC - Índice de Circularidade; IE - Índice de Alongamento e IS Índice de Forma. V.2.5 Análise da Forma - Exoscopia A análise da forma em grãos de quartzo provenientes de depósitos potencialmente tsunamigénicos foi conduzida em 149 partículas de quartzo (Tabela II, em Apêndice), cujas imagens foram adquiridas com diferentes microscópios electrónicos (Tabela 22). As imagens obtidas apresentavam diferentes resoluções, algumas continham vários grãos por imagem, muitos deles representados de forma incompleta e com bastante ruído de fundo. Desta forma, realizou-se uma fase de pré-processamento nas imagens originais de forma a limpar o fundo e torná-lo uniforme e separar as partículas. Um exemplo deste processo pode ser observado na Figura 85. Após o pré-processamento, uma vez que as imagens apresentavam escalas diferentes, teve que haver um processo de redimensionamento das imagens para estas apresentarem a mesma escala durante a fase de análise de imagem. A escala utilizada foi 1800 dpi. O processo de análise de imagem foi realizado à semelhança do que já foi descrito na análise de forma anterior. 139 _________________________________________________________V. Aplicações Os resultados podem ser observados na Figura 86 e Figura 87. Embora o método seja bastante promissor na análise deste tipo particular de análise, os resultados obtidos não são satisfatórios na separação das fracções em relação os índices analisado, i.e., não foi possível distinguir os grãos das diversas amostras, apenas baseado nestes 3 critérios (circularidade, alongamento e rugosidade). No entanto, a potencialidade da técnica ressalta e pode ser aplicada noutros casos idênticos. Figura 85. Exemplo do pré-processamento (direita) realizado na imagem original (esquerda). Tabela 22. Estudo da forma e índice de rugosidade por AI. Valores de IR obtidos pelo operador e por AI. Referência da amostra Número de grãos NGA_2A 16 NGA_2E 16 NGA_2G 16 NGA_7C 31 NGA_7F 14 NGA_9A 29 NGA_18 27 V.2.6 Discussão A aplicação da AI no estudo da forma permite dispor de um grande número de informação, e.g. índices de forma e informação sobre o arredondamento das partículas, de forma fácil e rápida, com total independência do operador. 140 _________________________________________________________V. Aplicações A fase mais dispendiosa em termos de tempo é a fase de aquisição, após esta fase o processamento das imagens é realizado de forma rápida. Cada imagem demora apenas alguns segundo a produzir toda a informação de forma. Adicionalmente, ao se utilizar um método totalmente automático de análise morfométrica, o utilizador está liberto do estudo e, simultaneamente, assegura-se que a informação de forma e arredondamento é, toda ela, adquirida da mesma forma e com os mesmos critérios, sendo independente dos erros de operador. Esta independência permite, ainda, que os resultados actuais possam ser facilmente comparáveis com resultados de estudos futuros, uma vez que os critérios de forma estão uniformizados à partida. 1.00 0.95 NGA_2_A 0.90 IC NGA_2E NGA_2G 0.85 NGA_7C nGA_7F 0.80 NGA_9A 0.75 NGA_18 0.70 0.85 0.90 IE 0.95 1.00 1.05 Figura 86. Projecção do Índice de Alongamento (IE) versus a Circularidade (IC) para as 149 partículas analisadas. 141 _________________________________________________________V. Aplicações 1.00 0.95 NGA_2_A 0.90 IC NGA_2E NGA_2G 0.85 NGA_7C nGA_7F 0.80 NGA_9A 0.75 NGA_18 0.70 0.00 1.00 IR 2.00 3.00 4.00 5.00 6.00 Figura 87. Projecção do Índice de Alongamento (IE) versus o Índice de Rugosidade (IR) para as 149 partículas analisadas. 142 _________________________________________________________V. Aplicações V.3 Marte – exemplos de análise dimensional em processamento remoto de imagens As imagens da superfície do planeta Marte constituem uma forma adicional de testar as metodologias desenvolvidas, possibilitando a caracterização granulométrica remota. Esta caracterização é particularmente importante em imagens planetárias como estas, uma vez que o acesso à informação é feito, única e exclusivamente, pelo uso e análise das imagens. Neste caso de estudo, pretendeu-se analisar imagens dos solos de Marte recolhidas pelo rover Opportunity, com vista à obtenção de informação granulométrica das partículas presentes na imagem. Devido à variedade de tamanhos e formas das partículas que compõem os solos marcianos, estas imagens são mais um desafio aos algoritmos desenvolvidos. O rover Opportunity (NASA) foi lançado a 7 de Julho de 2003 tendo aterrado em Marte a 24 de Janeiro de 2004, em Meridiani Planum (1.95°S 354.47°E). O principal objectivo desta missão é o de examinar de perto a composição química das rochas e solos do planeta Marte estando, para isso, equipado com diferentes instrumentos especiais incluindo um espectrómetro, ferramentas de corte de rochas, uma câmara panorâmica (Pancam) e uma câmara de alta resolução (MI), entre outros. O MI ou Microscopic Imager consiste num sistema de aquisição de imagem de alta resolução que se encontra montado no IDD (Instrument Deployment Device). O seu campo de visão é composto por 1024x1024 pixels, o mesmo que a Pancam, e a aquisição de imagens é feita em modo monocromático, uma vez que apenas possui um único filtro de banda-larga. A óptica do MI aplica uma simples distância focal (f/15), o que providencia 3mm de campo de profundidade com 30m/pixel de amostragem e permite cobrir uma área de 3.1x3.1cm2, com resolução de 143 _________________________________________________________V. Aplicações 0.031mm/pixel. Na Figura 88 é possível observar-se o percurso que o rover tem realizado até ao sol15 1892. Figura 88. Percurso do rover Opportunity na superfície de Marte (esquerda) e respectiva localização no planeta (direita). 15 O termo sol é usado por astrónomos planetários para referir a duração do dia solar em Marte. A média de um dia solar em Marte é de 24 horas, 39 minutos e 35.244 segundos. 144 _________________________________________________________V. Aplicações V.3.1 Método de Calibração Um conjunto de 7 imagens do solo de Marte adquiridas pelo MI do rover Opportunity foram seleccionadas para processamento e análise de imagem. O processamento consistiu na binarização manual da imagem e separação das partículas nelas existentes. O cálculo da distribuição dimensional das imagens a partir das granulometrias morfológicas em cinzento foi realizado em 3 situações diferentes (Figura 89): 1. Ground -Truth - situação de referência em que as partículas apresentam uma única cor sobre um fundo preto. 2. Cinzento sobre fundo preto - situação mais complexa que a anterior em que as partículas apresentam níveis de cinzento diferentes no interior delas mesmas. 3. Imagem real - imagem sem qualquer tratamento, situação mais complexa de todas. a) b) c) Figura 89. Exemplificação das imagens usadas para na calibração do modelo. a) Ground-Truth, b) imagem de cinzentos com fundo uniforme e c) Imagem real. Os resultados obtidos podem ser observados na Figura 90 onde se constata que, de uma forma geral, existe uma diferença entre a curva binária (Ground-Truth) e a curva da imagem real. No entanto, esta diferença tem de ser encarada de forma cuidadosa. Na construção das imagens Ground-Truth verificou-se que era muito difícil desenhar correctamente os contornos dos grãos mais pequenos, devido ao seu diminuto tamanho (da ordem de 2 a 3 pixels). Prevendo-se que uma elevada ambiguidade seria introduzida na construção desta informação de referência se se tentasse delinear todos esses grãos, optou-se por só se delinear aqueles cujas fronteiras são claramente visíveis. Consequentemente, só os grãos de maior 145 _________________________________________________________V. Aplicações dimensão foram contemplados nas imagens Ground-Truth. Assim, ao limpar-se o fundo, pretendeu-se suprimir as partículas mais finas, que também deveriam marcar presença na curva granulométrica da imagem, pelo que a curva binária só representa com exactidão as partículas maiores. Adicionalmente pode-se constatar que todas as curvas apresentam uma mesma forma, sendo esta técnica bastante boa para retirar a granulometria de partículas em imagens remotas. A observação das Figura 91 e Figura 92 corrobora o anteriormente dito, sendo possível reconhecer em ambos os gráficos a distinção entre imagens diferentes, com diferentes tamanhos de partículas e distribuição semelhante quando comparadas com as restantes. No caso das granulometrias morfológicas em cinzentos, as partículas mais pequenas, que fazem parte do fundo da imagem participam no cálculo da distribuição granulométrica, alterando necessariamente a forma da curva. 146 _________________________________________________________V. Aplicações 147 _________________________________________________________V. Aplicações Figura 90. Variação no cálculo da imagem sem tratamento e das restantes duas situações: binário e em cinzentos com fundo uniforme. 148 _________________________________________________________V. Aplicações Figura 91. Projecção de todas as curvas calculadas para todas as amostras das imagens binária. Figura 92. Projecção de todas as curvas calculadas para todas as amostras das imagens em cinzento. 149 _________________________________________________________V. Aplicações V.3.2 Aplicação às Imagens MI do Rover Opportunity Uma vez que a metodologia fornece bons resultados na análise deste tipo de imagens, resolveu-se alargar o conjunto de imagens analisadas. Foram, assim, reunidas todas as imagens que continham partículas soltas e solo ao longo do percurso do rover Opportunity, até ao Sol 1892. As imagens disponíveis para análise totalizaram 130, mas deste número apenas 22 foram analisadas, uma vez que a maioria das imagens apresentavam características que não interessavam ao estudo aplicado. Algumas imagens apresentavam uma grande área de sombra, outras apenas representavam sedimentos rochosos consolidados. Desta forma teve que haver uma fase de selecção das imagens que podiam ser analisadas com as metodologias desenvolvidas. O conjunto das 22 imagens seleccionadas representa, assim, a diversidade de tamanho, forma e arranjo espacial das partículas soltas na superfície de Marte, adquiridas pelo instrumento MI do rover Opportunity. A granulometria de cada imagem foi calculada pelo método das granulometrias morfológicas em cinzento usando as max-trees com posterior correcção. A resolução das imagens é a mesma que nas imagens anteriormente analisadas. V.3.3 Resultados Os resultados das curvas de distribuição granulométrica podem ser observados na Figura 93 e Figura 94. A sua observação permite concluir que a distinção entre diferentes tipos de solo pode ser facilmente reconhecida. No caso da amostra Sol 15 (129426966) a curva granulométrica correspondente evidencia a presença de uma matriz fina, com mais de 50% do material abaixo do valor 1mm. As curvas Sol 52, 73 e 727 (respectivamente 132808239, 160851752 e 192735474) indicam que as partículas são menores que na imagem anterior, reflectindo não só o tamanho como também a selecção do material: Sol 727 é a amostra mais bem calibrada das quatro analisadas (Figura 94). 150 _________________________________________________________V. Aplicações 151 _________________________________________________________V. Aplicações 152 _________________________________________________________V. Aplicações Figura 93. Curvas de distribuição granulométrica para todas as imagens reunidas para o percurso do rover Opportunity e respectiva imagem para comparação visual. A percentagem é acumulada (eixo dos YY) e o tamanho é medido em mm (eixo dos XX). 153 _________________________________________________________V. Aplicações 100 90 80 % Acumulada 70 60 50 40 30 20 10 0 0 1 129426966 2 mm 132808239 3 4 160851752 5 6 192735474 Figura 94. Projecção das curvas de distribuição granulométrica para os 4 principais tipos de sedimentos encontrados: 129426966 - partículas grandes em matriz fina; 132808239 - partículas menores em matriz fina; 160851752 - partículas mais finas e 19275474 - solo (matriz fina) e algumas partículas pequenas. V.4 Discussão O uso da AI torna-se indispensável quando se trata de caracterizar sedimentos cuja informação é conseguida de forma remota. Este facto torna a AI uma técnica ainda mais potente, pois permite extrair informação sedimentológica que de outra forma seria totalmente impossível, quer pela dificuldade ou impossibilidade de acessibilidade aos locais amostrados, quer pela informação apenas se encontrar no formato de imagens. São cada vez mais as imagens que nos chegam da superfície de outros planetas, e como estas imagens são cada vez de melhor qualidade, é possível complementar os estudos já anteriormente realizados. De facto, uma maior resolução de imagem permite, por exemplo, realizar estudos granulométricos nos solos de outros planetas, facto só conseguido com imagens de grande resolução. Esta análise pode ser realizada de forma automática, ou então pode ser realizada com o auxílio de um operador, que escolhe, isola e interpreta a informação na imagem. Foi isto que tem acontecido no caso dos solos marcianos. Vários estudos 154 _________________________________________________________V. Aplicações têm sido realizados nas imagens MI, mas têm contemplado apenas as partículas maiores, mais fáceis de isolar pelo operador. Desta forma, a grande vantagem desta metodologia é a possibilidade de aplicação à totalidade da imagem, sem necessidade prévia de pré-processamento, obtendo-se uma curva completa de distribuição granulométrica, com a percentagem do material fino (fundo da imagem). 155 VI. Conclusões e trabalhos futuros "A conclusion is simply the place where someone got tired of thinking." Arthur Block "I was like a boy playing on the sea-shore, and diverting myself now and then finding a smoother pebble or a prettier shell than ordinary, whilst the great ocean of truth lay all undiscovered before me." Isaac Newton Uma vez que as imagens dos mais diversos objectos são cada vez mais fáceis e económicas de obter, o processamento e análise de imagem tem vindo a conhecer uma forte expansão em todos os domínios científicos, estabelecendo-se já, em alguns campos, como uma técnica indispensável no dia-a-dia. Neste sentido, este trabalho pretende constituir um novo método de operacionalização das técnicas de análise de imagem na área da sedimentologia, i.e., definir novas técnicas de análise de imagem que permitam simular e reproduzir os resultados obtidos pelas técnicas tradicionais de análise sedimentológica, com vantagens em termos de tempo, liberdade operacional e possibilidade de aplicação in situ. A abordagem utilizada para este objectivo foi subdividida em duas: o desenvolvimento de metodologias de análise de imagem para a caracterização do tamanho das partículas sedimentares e o desenvolvimento de metodologias para a caracterização da forma das partículas. 157 ________________________________________VI. Conclusões e trabalhos futuros De uma forma geral, é possível observar a grande capacidade de aplicação que a AI revela no estudo dos sedimentos, permitindo complementar os métodos de estudo já existentes e possibilitando uma maior rapidez na obtenção de resultados. No caso particular da análise do tamanho, duas metodologias baseadas na morfologia matemática foram desenvolvidas. Uma primeira metodologia denominada granulometria morfológica binária, que analisa imagens de grãos sedimentares separados previamente e que permite obter a curva granulométrica completa do material analisado. A imagem obtida nesta técnica pode ser utilizada na análise da forma. Esta técnica apresenta um erro quadrático médio da ordem dos 0.3 quando se procede à separação das partículas e de 0.5 quando não se utiliza o algoritimo de separação das partículas, quando comparada com os resultados da crivagem. A utilização do algoritmo de separação das partículas, para além de melhorar a precisão permite ter as imagens já preparadas para os estudos de forma subsequentes. A segunda metodologia desenvolvida denominada de granulometria morfológica em cinzentos analisa as partículas sedimentares na sua situação in situ, i.e., a imagem pode ser obtida no campo e representa partículas não separadas e sobrepostas. O resultado final é, novamente, a distribuição granulométrica completa do material sedimentar analisado. Esta técnica apresenta um erro quadrático de 0.15 para amostras de areia de diferentes ambientes, quando comparada com os resultados da crivagem mecânica. Com a finalidade de avaliar o erro associado ao cálculo das granulometrias in situ, foram criados sedimentos artificiais. A simulação artificial de sedimentos permitiu concluir que existe um desvio sistemático entre as curvas reais e as curvas de distribuição granulométrica do material sobreposto, mas que a diferença não ultrapassa os máximo 20%, pelo que é possível estabelecer que granulometrias obtidas in situ possuem um grau de confiança de 80% em relação ao material medido por métodos que utilizam a separação das partículas. Adicionalmente, ambas as metodologias de análise de imagem com aplicação ao estudo do tamanho das partículas foram optimizadas com recurso ao conceito de max-tree, que agiliza todo o processo de computação e permite obter a curva 158 ________________________________________VI. Conclusões e trabalhos futuros granulométrica do material em minutos nas imagens mais pesadas e/ou com partículas maiores. As limitações associadas às metodologias desenvolvidas dizem respeito ao tamanho mínimo que pode ser correctamente analisado com esta técnica, uma vez que o tamanho mínimo analisado pertence à escala das areias. As partículas como siltes e argilas podem ser apenas contabilizadas como percentagem global em relação às restantes partículas, não sendo possível obter uma distribuição granulométrica destas classes de tamanho. Em relação ao estudo da forma das partículas, foram desenvolvidas metodologias de caracterização automática de diversos índices de forma. Adicionalmente, foi estabelecido um método automático que permite reproduzir o grau de rolamento da escala visual de Powers (1953), sem a necessidade de um operador experiente. A principal vantagem do uso das técnicas de AI na avaliação da forma e arredondamento das partículas são a rapidez de processamento e a independência do operador. Permitem, assim, a uniformização dos resultados e, uma vez que não necessitam de um operador, são suprimidos os erros de operador. A AI é uma técnica poderosa, mas exige sempre ajustes caso a caso, sendo difícil definir algoritmos universais. Nessa medida, para estabelecê-la como técnica para ensaios sedimentológicos é necessário estabelecer protocolos que assegurem que as condições de aquisição e análise de imagem não mudam substancialmente, permitindo a universalidade da aplicação do método. O esforço que tem sido feito neste estudo é, exactamente esse, o de obter um método universal, com protocolo definido, facilmente reconhecido e com reprodutibilidade que permita a análise textural dos sedimentos. Neste sentido, os objectivos foram atingidos, uma vez que os métodos de análise dimensional com granulometrias morfológicas apresentam resultados de reprodutibilidade semelhantes aos da crivagem, método que é o mais vulgarmente utilizado. De forma complementar, a AI quando realizada in situ permite uma caracterização não intrusiva dos sedimentos, podendo constituir uma ferramenta muito útil em estudos de dinâmica litoral onde interesse analisar a camada superficial do sedimento, i.e., as partículas que interagem com o fluxo. 159 ________________________________________VI. Conclusões e trabalhos futuros Embora a velocidade na obtenção de resultados dependa, fortemente, do tamanho das imagens e do processo utilizado, é possível, através dos protocolos, avaliar qual o processo mais indicado a partir da relação tempo/características analisadas que mais convém ao problema do utilizador. economia de tempo No entanto, é possível concluir que a com uso destas técnicas no campo é muito grande, uma vez que não há necessidade da colheita amostras, nem do processamento destas a nível laboratorial, ficando todo o trabalho para o computador em vez do operador. A nível laboratorial o ganho faz-se, essencialmente, na possibilidade de análise de um maior número de características texturais, permitindo uma análise mais detalhada. Por último, este trabalho não pretende de forma alguma propor a substituição dos métodos laboratoriais existentes, mas antes pretende mostrar a potencialidade dos métodos apresentados na constituição de uma nova ferramenta, que pode ser bastante útil na análise de sedimentos. Permitindo, desta forma, a obtenção de informação sedimentológica de forma rápida, fiável, mais representativa da realidade e com igual significado geológico que os métodos tradicionais. Quanto a trabalhos futuros de investigação, que darão continuidade a alguns resultados apresentados nesta tese, prevê-se que algumas destas metodologias possam ser melhoradas à medida que novos problemas surjam, facto que acontece naturalmente quando se procede à aplicação generalizada de qualquer novo método. Falta, ainda, construir um sistema que possa ser utilizado de forma operacional geral, uma vez que os algoritmos definidos neste trabalho ainda não são de aplicação universal e independente em relação a qualquer software. Este será, certamente, um dos trabalhos a realizar futuramente: a construção de um software autónomo de análise de imagem que usa a morfologia matemática, mas que pode ser usado de forma autónoma ou com outro software open source. 160 VII. Bibliografia ALSHIBLI K. A. & ALSALEH M. I. (2004) - Characterizing surface roughness and shape of sands using digital microscopy, Journal of Computing in Civil Engineering, 18:3645. ANDRIANI G. F. & WALSH N. (2002) - Physical properties and textural parameters of calcarenitic rocks: qualitative and quantitative evaluations. Engineering Geology, 67:5-15. ATTERBERG A. (1905) - Die ratonalle Klassifikation der Sand und Kiese, Chem. Zeitung, 20. BABA, J. & KOMAR, P. D. (1981) - Measurements and Analysis of settling velocities of natural quartz sand grains. Journal of Sedimentary Petrology, 51:631-640. BALAGURUNATHAN Y., DOUGHERTY E. R., FRANCISCOVIC-BILINSKI S., BILINSKI H.& VDOVIC N. (2001) - Morfological granulometric analysis of sedimentary image. Image Analysis Stereology, 20:87-99. BARNDORFF-NIELSEN, O.E., DALSGAARD, K., HALGREEN, C., KUHLMAN, H., MOLLER, J. T. & SCHOU, G. (1982) - Variation in particle size distribution over a small dune. Sedimentology, 29:53-65. 161 _______________________________________________________VII. Bibliografia BARNARD P.L., RUBIN D.M., HARVEY J. & MUSTAIN N. (2007) - Field test comparison of an autocorrelation technique for determining grain size using a digital ‗beachball‘ camera versus traditional methods. Sedimentary Geology, 201(1-2), 180–195. BEUSELINCK, L., GOVERS G., POESEN P., DEGRAER G. & FROYEN L. (1998) - Grain-size analysis by laser diffractometry: comparison with the sieve-pipette method. Catena, 32, pp.193-208. BENSON, T. & FRENCH, J.R. (2007) - InSiPID : A new low-cost instrument for in situ particle size measurements in estuarine and coastal waters. Journal of Sea Research, 58, pp.167 - 188. BLOTT S.J. & PYE K. (2008) - Particle shape : a review and new methods of characterization and classification. Sedimentology, 55:31-63. BREZIZICKI, J.M. & KASPERKIEWICZ, J. (1999) - Automatic image analysis in evaluation of aggregate shape. Journal of Computing in Civil Engineering, 13(2): 123-128. BUSCOMBE D. A. & MASSELINK G. (2009) - Grain-size information from the statistical properties of digital images of sediment. Sedimentology, 421-438. BUSCOMBE, D., RUBIN D. M. & WARRICK, J. A. (2010) - A Universal Approximation to Grain Size from Images of Non-Cohesive Sediment. Journal of Geophysical Research, 115:F02015, 17 PP. COSTER, M. & CHERMANT, J. (2001) – Image analysis and mathematical morphology for civil engineering materials. Cement & Concrete Composites, 23, 133-151. COSTER, M. & CHERMANT, J. L. (2002) - On a way to material models for ceramics. Journal of the European Ceramic Society, 22:1191-1203. CRAWFORD, E.C. & MORTENSEN, J.K. (2008) - An ImageJ plugin for rapid morphological characterization of separated particles and an initial application to placer gold analysis. Computers & Geosciences. doi:10.1016/j.cageo.2007.11.012 DAHL, C.K. & ESBENSEN, K.H. (2007) - Image analytical determination of particle size distribution characteristics of natural and industrial bulk aggregates. Chemometrics and Intelligent Laboratory Systems, 89, pp.9 - 25. 162 _______________________________________________________VII. Bibliografia DAUBRÉE, A. (1879) - Études Synthétiques de Geologie Expérimental., Dunod, Paris. DOBKINS J. E., J.R. & FOLK R. L. (1970) – Shape development on Tahiti-Nui. Journal of Sedimentary Petrology, 40, 1167–1203. ERDOGAN S.T., QUIROGA, P. N., FOWLER D. W., SALEH H. A., LIVINGSTON R. A. & GARBOCZI E. J. (2006) - Three-dimensional shape analysis of coarse aggregates : New techniques for and preliminary results on several different coarse aggregates and reference rocks. Cement and Concrete Research, 36, pp.1619 - 1627. FARA H. D. & SCHEIDEGGER A. E. (1961) - Statistical geometry of porous media. Journal of Geophysical Research, 66:3279-3284. FERNLUND J. M. (1998) - The effect of particle form on sieve analysis: a test by image analysis. Engineering Geology, 50:111-124. FERNLUND, J.M.R., ZIMMERMAN, R.W. & KRAGIC, D. (2007) - Influence of volume/ mass on grain-size curves and conversion of image-analysis size to sieve size. Engineering Geology, 90:124 - 137. FOLK R. L. & WARD W. C. (1957) – Brazos River bar—a study in the significance of grain size parameters. Journal of Sedimentary Petrology, 27: 3–27. FRANCISKOVIC-BILINSKI S., BILINSKI H. & DOUGHERTY E. R. (2003) - Application of image-based granulometry to siliceous and calcareous estuarine and marine sediments. Estuarine Coastal and Shelf Science, 58:227-239. FREEMAN, H. (1970) – Boundary encoding and processing. In Lipkin, B. S. & Rosenfeld, A., editors, Picture Processing and Psychopictorics, 241-266. FREIDMAN G. M. (1961) – Distinction between dune, beach and river sands from their textural characteristics. Journal of Sedimentary Petrology, 31, 514–529. FREIDMAN G. M. (1967) – Dynamic processes and statistical parameters compared for size frequency distribution of beach and river sand. Journal of Sedimentary Petrology, 37, 327–354. FREIDMAN G. M. (1979) – Differences in size distributions of populations of particles among sands at various origins. Sedimentology, 26, 3–32. 163 _______________________________________________________VII. Bibliografia FRIEDMAN G. M & SANDERS, J. E. (1978) – Principles of sedimentology. John Wiley and Sons, New York. FRANCUS P. (1998) - An image-analysis technique to measure grain-size variation in thin sections of soft clastic sediments. Sedimentary Geology, 121:289-298. GALOPIM DE CARVALHO A. M. (2005) – Geologia Sedimentar, Volume II – Sedimentologia. Âncora Editora, 475p. GARRIDO, L. (2002) - Hierarchical Region Based Processing of Images and Video Sequences: Application to Filtering, Segmentation and Information Retrieval. PhD Dissertation, Barcelona, pp. 204. GÉRMAN-RODRÍGUEZ J. & URIARTE A. (2009) - Laser diffraction and dry-sieving grain size analyses undertaken on fine and medium grained sandy marine sediments: A note. Journal of Coastal Research, 25(1). 257-264. GRAHAM D.J. REID I. & RICE S. P. (2005) - Automated sizing of coarse-grained sediments: image-processing. Mathematical Geology, 37(1):1-28. GY, P. (1992) – Sampling of Heterogeneous and Dynamic Material Systems: Theories of Heterogeneity, Sampling and Homogenizing. Elsviers, Amsterdam, New York, 653pp. HAEBERLI, P. (1993) – Matrix operations for image processing. URL: http://www.sgi.com/grafica/matrix/index.html. HEILBRONNER R. (2000) - Automatic grain boundary detection and grain size analysis using polarization micrographs or orientation images. Journal of Structural Geology, 22:969-981. HOLUB O. & FERREIRA S. T. (2006) – Quantitative histogram analysis of images, Computer Physics Communications, 175: 620-623. INMAN D. L. (1952) – Measures for describing the size distributions on sediments. Journal of Sedimentary Petrology, 22: 125-145. JAFFE, B.E. & GELFENBAUM, G. (2002) - Using tsunami deposits to improve assessment of tsunami risk. Solutions to Coastal Disasters '02, Conference Proceedings. ASCE, pp. 836–847. 164 _______________________________________________________VII. Bibliografia JAFFE, B.E. & GELFENBUAM, G. (20079 - A simple model for calculating tsunami flow speed from tsunami deposits. Sedimentary Geology, 200:347 - 361. JANKE, N. C. (1973) - Sieve load equations and estimated sample size. Journal of Sedimentary Petrology, 43:518-520. JEULIN, D. & MATH, C.D.M. (2000) - Random texture models for material structures. Statistics and Computing, 10:121-132. KÄRKKÄINEN, S., JENSEN, E.B.V. & JEULIN, D. (2002) - On the orientational analysis of planar fibre systems. Journal of Microscopy, 207:69- 77. KENDALL, W.S. & THO, E. (1999) - Perfect simulation in stochastic geometry. Pattern Recognition, 32:1569-1586. KUMBREIN W. C. (1934) – Size Frequency Distribution of Sediments. Journal of Sedimentary Petrology, 4. KUMBREIN W. C. (1935) – Thin-section Mechanical Analysis of Indurated Sediments. Journal of Geology, 43. KUMBREIN W. C. (1938) – Size frequency distribution of sediments nad the normal phi curve. Journal of Sedimentary Petrology, 8: 84-90. KUMBREIN W. C. & Pettijohn, F. J. (1938) – Manual of Sedimentary Petrology, Appleton-Century-Crofts, New York. KRUMBEIN W. C. (1941a) – The effects of abrasion on the size, shape and roundness of rock fragments. Journal of Geology, 49: 482–520. KRUMBEIN W. C. (1941b) – Measurement and geological significance of shape and roundness of sedimentary particles. Journal of Sedimentary Petrology, 11: 64-77. KWAN A., MORA C. F. & CHAN H.C. (1999) - Particle shape analysis of coarse aggregate using digital image. Processings on Cement and Concrete Research, 29:1403-1410. LAGROU D., DREESEN R. & BROOTHAERS L. (2004) - Comparative quantitative petrographical analysis of Cenozoic aquifer sands in Flanders (N Belgium): overall trends and quality assessment. Materials Characterization, 53:317-326. 165 _______________________________________________________VII. Bibliografia LEBOURG T., RISS J. & PIRARD E. (2004) - Influence of morphological characteristics of heterogeneous moraine formations on their mechanical behaviour using image and statistical analysis. Engineering Geology, 73:37 - 50. LEE, A.N.N.B. (2001) - Occlusion Models for Natural Images : A Statistical Study of a Scale-Invariant Dead Leaves Model. International Journal of Computer Vision, 41:3559. LI, T., WANG D., ZHANG B., LIU H. & TANG H. (2007) - Morphological characterization of suspended particles under wind-induced disturbance in Taihu Lake , China. Environmental Monitoring and Assessment, 127, pp.79-86. LIRA (2006) - Processamento e Análise de Imagem de Sedimentos Arenosos. Tese de Mestrado. IST, Lisboa, 121p. LIRA & PINA (2009) - Automated grain shape measurements applied to beach sands. Journal of Coastal Research, SI 56: 1527-1531. LIRA & PINA (2011) - Granulometry on classified images of sand grains. Journal of Coastal Research, SI 64(2):1697-1701. LUDWICK, J. C. & HENDERSON, P. L. (1968) - Particle shape and influence of size from sieving. Sedimentology, 11:197-235. MAERZ N. H. , PALANGIO T. C. & FRANKLIN J. A. (1996) - WipFrag Image Based Granulometry System. Proceedings of FRAGBLAST5 Workshop on Measurement of blast fragmentation, Montreal, Quebec, Canada, 23-24 Aug, 91-99. MAERZ N. H. (1998) - Aggregate sizing and shape determination using digital image processing. Center for Aggregates Research (ICAR) Sixth Annual Symposium Proceedings, St. Louis, Missouri, April 19-20, 195-203. MAERZ N. H. (2004) - Technical and computational aspects of the measurement of aggregate shape by digital image analysis. Journal of Computing in Civil Engineering, 18:10-19. MAGALHÃES F. M. Q. (2001) - Os sedimentos da plataforma continental Portuguesa: Contrastes espaciais, perspectiva temporal e potencialidades económicas. Tese de Doutoramento, Universidade de Lisboa, Lisboa, 857 p. 166 _______________________________________________________VII. Bibliografia MARAGOS P. (1989) - Pattern spectrum and multiscale shape representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7):701-715. MATHERON, G. (1967) – Élements pour une théorie des milleux poreux. Masson. Paris. MATHERON, G. (1968) – Schéma booléen séquentiel de partition aléatoire. Rapport Interne N-83, CMM, Fontainebleu. MCMANUS, D. A. (1965) - A study of maximum load for small-diameter sieves. Journal of Sedimentary Petrology, 35:792-786. MEDALIA A. (1970) – Dynamic shape factors of particles. Powder Technology, 4:117138. MERTENS G. & ELSEN J. (2006) - Use of computer assisted image analysis for the determination of the grain-size distribution of sands used in mortars. Cement and Concrete Research, 36, pp.1453 - 1459. MINKOWSKI, H. (1903) - Volumen und Oberflache. Mathematische Annalen, 57: 447495. MEIJSTER A. & WILKINSON M.H.F. (2002) - A comparison of algorithms for connected set openings and closings. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(4):484-494. MORAN P. A. P. (1948) – The interpretation of statistical maps, Journal Royal Statistical Society, Series B (Methodological), v.10: 243-251. MORRIS W. J. (1957) – Effects of sphericity, roundness and velocity on traction transportation of sand grains. Journal of sedimentary Petrology, 27, 27–31. MORTON, R.A., GELFENBAUM, G. & JAFFE, B.E. (2007) - Physical criteria for distinguishing sandy tsunami and storm deposits using modern examples. Sedimentary Geology, 200:184 - 207. ODEN S. (1915) - Eine neue method zur machanischen bodenalyse, Int. Mitt. f. Bodenkunde, 5. OJALA A. E. K. & FRANCUS P. (2002) - Comparing X-ray densitometry and BSE- image analysis of thin section in varved sediments. Boreas, 31, pp.57-64. 167 _______________________________________________________VII. Bibliografia PERRING C. S., BARNES S. J., VERRALL M. & HILL R .E. (2004) - Using automated digital image analysis to provide quantitative petrographic data on olivine-phyric basalts, Comput. Computers and Geosciences, 30:183-195. PETERS, B., JAFFE, B., GELFENBAUM, G. & PETERSON, C. (2003) - Cascadia tsunami deposit database: U.S. Geological Survey Open-File Report 03-13. 19 pp. PETROU M. & SEVILLA P. G. (2006) - Image Processing - Dealing with Texture. Wiley, West Sussex, 618p. PETTIJOHN F. J., POTTER P. E. & SIEVER, R (1973) – Sand and sandstone. Springer Verlag, New York, 618p. PINA P. (1998) - Caracterização, modelação e simulação de estruturas com base na morfologia matemática. Tese de Doutoramento. IST, Lisboa, 322p. PIRARD E. & GREGOIRE M. (2006) - Particle roundness measurement using mathematical morphology and automation of Krumbein ' s morphoscopical chart . Porceedings of the International Association for Mathematical Geology XIth International Congress, S06-20. POWERS M. C. (1953) – A new roundness scale for sedimentary particles. Journal of Sedimentary Petrology, 27:460-468. PRESTON F.W. & DAVIS J. C. (1976) - Sedimentary porous materials as a realization of a stocastic process, in MERRIAM, D. F., ed. Random Process in Geology, 63-86. PYE W. D. & PYE M. H. (1943) – Sphericity determinations of Pebbles and Sand Grains. Journal of Sedimentary Petrology, 13: 28-34. REID I., RICE S. & GARCIA C. (2001) - Discussion of ‗‗The measurement of gravel-bed river morphology‘‘, in Gravel-Bed Rivers V, edited by M. P. Mosley, pp. 325–327, N. Z. Hydrol. Soc., Wellington. RIBEIRO M., BOSNIC I.,TABORDA R. & CASCALHO J. (2010a) - Beach Sand Code: Campanha CODECA I (Costa da Caparica), Relatório técnico nr. 3, não publicado, 23 p. RIBEIRO M., BOSNIC I.,TABORDA R. & CASCALHO J. (2010b) - Beach Sand Code: Campanha CODECA I (Costa da Caparica), Relatório técnico nr. 4, não publicado, 19 p. 168 _______________________________________________________VII. Bibliografia RIBEIRO M., BOSNIC I.,TABORDA R. & CASCALHO J. (2010c) - Beach Sand Code: Campanha CODECA I (Costa da Caparica), Relatório técnico nr. 5, não publicado, 20 p. RITTENHOUSE, G. (1943) - Relationship of shape to the passage of grains through sieves. Industrial Engineering Chemistry (Analytical Edition), 15:153-155. ROUSSILLON T., PIÉGAY H., SIVIGNON I., TOUGNE L. & LAVIGNE F. (2009) - Automatic computation of pebble roundness using digital imagery and discrete geometry. Computers & Geosciences, 35:1992-2000. RUBIN D. M. , CHEZAR H., HARNEY J. N. , et al. (2007) - Underwater microscope for measuring spatial and temporal changes in bed-sediment grain size. Sedimentary Geology, 202:402-408. RUBIN D. M., TOPPING D. J., CHEZAR H.; HAZEL J. E., SCHIMIDT J. C., BREEDLOVE M.; MELIS T. & GRAMS P. E. (2010) - 20,000 grain-size observations from the bed of the colorado river, and implications for sediment transport through Grand. Proceedings of Federal Interagency Sedimentation Conference, 9th, Las Vegas, Nev., June 27July 1. RGEN B., GOMMESEN L. & FABRICIUS, I. L. (2001) – Grain size distribution of chalk from image analysis of electron micrographs. Computers & Geosciences, 27, 10711080. Russ, J. C. (2002) – The Image Processing Handbook. Fourth Edition, CRC Press, 732p. SAHU, B. K. (1965) - Theory of sieving. Journal of Sedimentary Petrology, 35:750753. SALEMBIER P., OLIVERAS A. & GARRIDO L. (1998) - Antiextensive connected operators for image and sequence processing. IEEE Transactions on Image Processing 7(4):555-570. SALINAS R.A., RAFF U. & FARFAN C. (2005) -Automated estimation of rock fragment distributions using computer vision and its application in mining. IEEE Procedings Visual and Signal Processing, 152(1):1-8. 169 _______________________________________________________VII. Bibliografia SANCHIDRIÁN J. A., SEGARRA P., OUCHTERLONY F. & LÓPEZ L. M. (2008) - On the accuracy of fragment size measurement by image analysis in combination with some distribution functions. Rock Mechanics and Rock Engineering, 42(1):95-116. SELMAOUI N., REPETTI B., LAPORTE-MAGONI C. & ALLENBACH M. (2004) – Coupled strata and granulometry detection on indurated cores by gray-level images analysis. Geo-Marine Letters, 24, 241-251. SERRA J. (1982) - Image Analysis and Mathematical Morphology. Academic Press, London, 610p. SHEPARD F. P. & YOUNG R. (1961) - Distinguishing between beach and dune sand. Journal of Sedimentary Petrology, 31. SHEPARD F. P. (1973) – Submarine Geology. 3rd Editon, Harper & Row, Publ., 517p. SIME L. C. & FERGUSON R. I. (2003) - Information on grain sizes in gravel- bed rivers by automated image analysis. Journal of Sedimentary Research, 73:630–636. SOILLE, P. (2003) – Morphologycal Image Analysis: Principles and Aplications, 2nd Edition, Springer, Berlin, 391p. SORBY, H. C. (1880) - On the Structure and Origin of Non-calcareous Stratified Rocks. Quaternary Journal of Geological Society of London, 36. SYVITSKI J. P. M. (1991) - Principles, methods and applications of particle size analysis. Editor. Cambridge University Press. 368p. UDDEN J. A. (1898) - Mechanical composition of clastic sediments. Geol. Soc. Am. Bull., 25. UDDEN J. A. (1914) – Mechanical composition of clastic sediments. Geol. Soc. America Bull., 25: 655-744. VOSSEPOEL A. M. & SMEULDERS A. W. M. (1982) – Vector code probability and metrication error in the representation of straight lines of finite length. Computer Graphics Image Processing, 20(4): 347-368. WADELL H. A. (1932) – Volume, shape and roundness of rock particles. Journal of Geology, 40: 443-451. 170 _______________________________________________________VII. Bibliografia WADELL H. A. (1933) – Sphericity and roundness of rock particles. Journal of Geology, 41: 310-331. WADELL H. A. (1935) – Volume, shape and roundness of quartz particles. Journal of Geology, 43: 250-280. WANG, C. & KOMAR, P. D. (1985) - The sieving of the heavy minerals sands. Journal of Sedimentary Petrology, 55:479-482. WANG W. (1999) - Image analysis of aggregates. Computers & Geosciences, 25. WARRICK J. A., RUBIN D. M., RUGGIERO P., et al. (2009) - Cobble Cam: Grain-size measurements of sand to boulder from digital photographs and autocorrelation analyses. Earth Surface Processes and Landforms, 34:1811-1821. WENTWORTH C. K. (1919) – A laboratory and field study of cobble abrasion. Journal of Geology, 27: 505–521. WENTWORTH C.K. (1922) - A scale of grade and class terms for clastic sediments. Journal of Geology, 30: 377-392. WETTIMUNY, R. & PENAMUDU, D. (2004) - Application of Fourier analysis to digital imaging for particle shape analysis. Journal of Computing in Civil Engeneering, 18(1): 2-9. WHALEY, W. B. (1972) – The description and measurement of sedimentary particles and the concept of form. J. Sedim. Petrology, 42, 961-965. WILLIAMS, H.F., HUTCHINSON, I. & NELSON, A.R. (2005) - Multiple sources for lateHolocene tsunamis at Discovery Bay, Washington State, USA. The Holocene 15 (1), 60–73. ZUNIC J. & HIROTA K. (2008) – Measuring Shape Circularity, in Ruiz-Shulcloper J., Kropatsch W. (ed.) Lecture Notes in Computer Science, 5197: 94-101. 171 VIII. Apêndice VIII.1 Conjuntos de amostragem 0961 0962 0963 0964 172 ________________________________________________________VIII. Apêndice 0965 0966 0967 0968 0969 0970 0971 0972 173 ________________________________________________________VIII. Apêndice 0973 0974 0975 0976 0977 0978 0979 0980 174 ________________________________________________________VIII. Apêndice 0981 Figura 0982 I. Conjunto de amostragem DS1. A5 F260 F263 F271 175 ________________________________________________________VIII. Apêndice Figura F275 PFaro 0960 Sancha II. Conjunto de amostragem DS2. VIII.2 Comparação Crivagem/ Difracção Laser / AI / Autocorrelação 0961 0962 176 ________________________________________________________VIII. Apêndice 0963 0964 0965 0966 0967 0968 0969 0970 177 ________________________________________________________VIII. Apêndice 0971 0972 0973 0974 0975 0976 0977 0978 178 ________________________________________________________VIII. Apêndice 0979 0980 0981 0982 Figura III. Projecção das curvas granulométricas com percentagem acumulada medidas por crivagem, granulometria laser, AI e autocorrelação 179 ________________________________________________________VIII. Apêndice VIII.3Aplicação do método de Autocorrelação 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 40 60 offset distance (pixels) 966_63 Figura 80 973_63 IV. Projecção das curvas de autocorrelação para a dimensão 63 m. 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 40 60 offset distance (pixels) 966_90 Figura 969_90 80 973_90 V. Projecção das curvas de autocorrelação para a dimensão 90 m. 180 ________________________________________________________VIII. Apêndice 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 961_125 966_125 972_125 978_125 Figura 962_125 967_125 973_125 982_125 40 60 offset distance (pixels) 964_125 968_125 974_125 Pra_berma_125 80 965_125 969_125 975_125 Pra_fpraia_125 VI. Projecção das curvas de autocorrelação para a dimensão 125 m. 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 961_180 966_180 970_180 974_180 978_180 Pra_fpraia_180 Figura 20 40 60 offset distance (pixels) 962_180 967_180 971_180 975_180 980_180 Pra_terraco_180 964_180 968_180 972_180 976_180 982_180 80 965_180 969_180 973_180 977_180 Pra_berma_180 VII. Projecção das curvas de autocorrelação para a dimensão 180 m. 181 ________________________________________________________VIII. Apêndice 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 961_250 965_250 969_250 973_250 977_250 981_250 Pra_terraco_250 Figura 40 60 offset distance (pixels) 962_250 966_250 970_250 974_250 978_250 982_250 963_250 967_250 971_250 975_250 979_250 Pra_berma_250 80 964_250 968_250 972_250 976_250 980_250 Pra_fpraia_250 VIII. Projecção das curvas de autocorrelação para a dimensão 250 m. 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 963_500 968_500 972_500 978_500 982_500 Figura 20 40 60 offset distance (pixels) 965_250 969_500 974_500 979_500 Pra_berma_500 966_500 970_500 976_500 980_500 Pra_fpraia_500 80 967_500 971_500 977_500 981_500 Pra_terraco_500 IX. Projecção das curvas de autocorrelação para a dimensão 500 m. 182 ________________________________________________________VIII. Apêndice 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 963_710 968_710 972_710 978_710 982_710 Figura 40 60 offset distance (pixels) 965_710 969_710 974_710 979_710 Pra_berma_710 966_710 970_710 976_710 980_710 Pra_fpraia_710 80 967_710 971_710 977_710 981_710 X. Projecção das curvas de autocorrelação para a dimensão 710 m. 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 963_1000 973_1000 980_1000 Figura 20 966_1000 974_1000 981_1000 40 60 offset distance (pixels) 967_1000 977_1000 982_1000 969_1000 978_1000 80 971_1000 979_1000 XI. Projecção das curvas de autocorrelação para a dimensão 1000 m. 183 ________________________________________________________VIII. Apêndice 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 Figura 20 40 60 offset distance (pixels) 80 966_1400 966_1400 969_1400 973_1400 974_1400 977_1400 979_1400 980_1400 981_1400 982_1400 XII. Projecção das curvas de autocorrelação para a dimensão 1400 m. 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 Figura 20 40 60 offset distance (pixels) 966_2000 969_200 973_2000 980_2000 981_2000 982_2000 80 979_2000 XIII. Projecção das curvas de autocorrelação para a dimensão 2000 m. 184 ________________________________________________________VIII. Apêndice 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 40 60 offset distance (pixels) 969_2830 Figura 979_2830 80 980_2830 XIV. Projecção das curvas de autocorrelação para a dimensão 2830 m. 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 40 60 offset distance (pixels) 969_4000 Figura 80 980_4000 XV. Projecção das curvas de autocorrelação para a dimensão 4000 m. 185 ________________________________________________________VIII. Apêndice 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 40 60 offset distance (pixels) 969_5600 Figura 80 980_5600 XVI. Projecção das curvas de autocorrelação para a dimensão 5600 m. 1 0.9 0.8 Autocorrelação 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 63 Figura 10 90 125 20 180 30 250 40 50 60 offset distance (pixels) 500 710 1000 1400 70 80 90 100 2000 2830 4000 5600 XVII. Projecção das curvas de autocorrelação para todas as amostras e classes granulométricas. 186 ________________________________________________________VIII. Apêndice VIII.4 Comparação entre crivagem, análise de imagem e granulometria laser 4.0 4.0 R² = 0.25 R² = 0.74 3.0 Difracção Laser () Difracção Laser () 3.0 2.0 1.0 0.0 2.0 1.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 -2.0 4.0 -1.0 0.0 D16 Linear (D5) 4.0 3.0 4.0 Linear (D16) 4.0 R² = 0.88 R² = 0.86 3.0 3.0 Difracção Laser () Difracção Laser () 2.0 Crivagem () Crivagem () D5 1.0 2.0 1.0 0.0 2.0 1.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Linear (D25) 2.0 3.0 4.0 Crivagem () Crivagem () D25 1.0 D75 Linear (D75) 187 ________________________________________________________VIII. Apêndice 4.0 4.0 R² = 0.95 R² = 0.89 3.0 Difracção Laser () Difracção Laser () 3.0 2.0 1.0 0.0 -1.0 2.0 1.0 0.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Crivagem () D84 Linear (D84) 3.0 4.0 D95 3.0 4.0 Linear (D95) 4.0 R² = 0.63 R² = 0.94 3.0 3.0 Difracção Laser () Difracção Laser () 2.0 Crivagem () 4.0 2.0 1.0 0.0 -1.0 2.0 1.0 0.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Crivagem () Média Linear (Média) Desvio Padrão 2.0 Linear (Desvio Padrão) 4.0 R² = 0.26 R² = 0.00 3.0 Difracção Laser () 3.0 1.0 Crivagem () 4.0 Difracção Laser () 1.0 2.0 1.0 0.0 -1.0 2.0 1.0 0.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Crivagem () Assimetria Linear (Assimetria) 1.0 2.0 3.0 4.0 Crivagem () Curtose Linear (Curtose) Figura XVIII. Dispersão do D5, D16, D25, D75, D84 e D95 entre Crivagem e Difracção Laser para o conjunto DS1. 188 ________________________________________________________VIII. Apêndice 4.0 4.0 R² = 0.21 3.0 3.0 2.0 2.0 AI () AI () R² = 0.13 1.0 1.0 0.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 -2.0 4.0 -1.0 0.0 D16 Linear (D5) 4.0 4.0 Linear (D16) R² = 0.84 3.0 3.0 2.0 2.0 AI () AI () 3.0 4.0 R² = 0.45 1.0 1.0 0.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Crivagem () D25 1.0 2.0 3.0 4.0 3.0 4.0 Crivagem () Linear (D25) D75 Linear (D75) 4.0 4.0 R² = 0.77 R² = 0.85 3.0 3.0 2.0 2.0 AI () AI () 2.0 Crivagem () Crivagem () D5 1.0 1.0 1.0 0.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Crivagem () D84 Linear (D84) 1.0 2.0 Crivagem () D95 Linear (D95) 189 ________________________________________________________VIII. Apêndice 4.0 4.0 R² = 0.47 3.0 3.0 2.0 2.0 AI () AI () R² = 0.77 1.0 1.0 0.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Crivagem () Média 2.0 3.0 4.0 Crivagem () Linear (Média) Desvio Padrão Linear (Desvio Padrão) 4.0 4.0 R² = 0.18 3.0 3.0 2.0 AI () 2.0 AI () 1.0 1.0 R² = 0.2126 1.0 0.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 -2.0 4.0 -1.0 0.0 Crivagem () Assimetria 1.0 2.0 3.0 4.0 Crivagem () Curtose Linear (Assimetria) Linear (Curtose) Figura XIX. Dispersão do D5, D16, D25, D75, D84 e D95 entre Crivagem e AI binária com separação dos grãos para o conjunto DS1. 4.0 4.0 R² = 0.13 R² = 0.06 3.0 Autocorrelação () Autocorrelação () 3.0 2.0 1.0 0.0 2.0 1.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Linear (D5) 2.0 3.0 4.0 Crivagem () Crivagem () D5 1.0 D16 Linear (D16) 190 ________________________________________________________VIII. Apêndice 4.0 4.0 R² = 0.20 R² = 0.35 3.0 Autocorrelação () Autocorrelação () 3.0 2.0 1.0 0.0 2.0 1.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 -2.0 4.0 -1.0 0.0 D75 Linear (D25) 3.0 4.0 3.0 4.0 3.0 4.0 Linear (D75) 4.0 4.0 R² = 0.35 R² = 0.26 3.0 Autocorrelação () 3.0 Autocorrelação () 2.0 Crivagem() Crivagem () D25 1.0 2.0 1.0 0.0 2.0 1.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 -2.0 4.0 -1.0 0.0 1.0 Crivagem () D84 2.0 Crivagem () D95 Linear (D84) Linear (D95) 4.0 4.0 R² = 0.24 R² = 0.00 3.0 Autocorrelação () Autocorrelação () 3.0 2.0 1.0 0.0 2.0 1.0 0.0 -1.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 Linear (Média) 1.0 2.0 Crivagem () Crivagem () Média 0.0 Desvio Padrão Linear (Desvio Padrão) 191 ________________________________________________________VIII. Apêndice 4.0 4.0 3.0 R² = 0.05 Autocorrelação () Autocorrelação () 3.0 2.0 1.0 0.0 -1.0 2.0 1.0 0.0 -1.0 -2.0 -2.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 -2.0 -1.0 0.0 Crivagem () Assimetria Linear (Assimetria) 1.0 2.0 3.0 4.0 Crivagem () Curtose Linear (Curtose) Figura XX. Dispersão do D5, D16, D25, D75, D84 e D95 entre Crivagem e Autocorrelacção para o conjunto DS1. 192 ________________________________________________________VIII. Apêndice VIII. 5 Estudo da forma Tabela (N). I. Valores médios dos descritores de forma (IC, IE, IS e IR) e número de partículas analisadas Amostra/ Fracção(mm) 0961 0963 0967 0968 0969 0970 0979 N IC IE IS IR 0.500 227 0.901 0.733 0.752 2.000 0.250 680 0.913 0.743 0.830 3.000 0.180 773 0.923 0.749 0.858 3.000 0.125 917 0.927 0.751 0.884 3.000 0.090 746 0.919 0.726 0.902 4.000 0.063 395 0.944 0.779 0.937 4.000 1.000 609 0.896 0.732 0.798 3.000 0.710 713 0.910 0.747 0.781 3.000 0.500 975 0.926 0.769 0.828 3.000 0.250 878 0.934 0.773 0.843 3.000 0.180 1158 0.926 0.747 0.891 4.000 0.125 1186 0.876 0.754 0.715 1.000 1.000 430 0.903 0.743 0.833 3.000 0.710 481 0.925 0.767 0.866 4.000 0.500 891 0.928 0.772 0.809 3.000 0.250 1191 0.934 0.772 0.856 3.000 0.180 1265 0.926 0.744 0.887 4.000 0.125 1271 0.916 0.724 0.887 4.000 0.063 548 0.941 0.778 0.944 4.000 1.000 240 0.870 0.705 0.770 3.000 0.710 279 0.908 0.751 0.784 3.000 0.500 577 0.934 0.780 0.834 3.000 0.250 1027 0.933 0.771 0.858 3.000 0.180 1295 0.930 0.758 0.879 3.000 0.125 601 0.940 0.768 0.922 4.000 0.090 1871 0.927 0.750 0.889 4.000 0.063 358 0.941 0.767 0.938 4.000 1.000 185 0.876 0.718 0.814 3.000 0.710 412 0.910 0.752 0.780 3.000 0.500 984 0.920 0.758 0.804 3.000 0.250 752 0.927 0.769 0.823 3.000 0.180 584 0.933 0.768 0.854 3.000 0.125 550 0.933 0.760 0.903 4.000 0.090 595 0.933 0.762 0.914 4.000 0.063 517 0.935 0.794 0.873 3.000 1.000 357 0.898 0.733 0.861 3.000 0.710 1243 0.858 0.694 0.709 1.000 0.500 875 0.889 0.724 0.802 3.000 0.250 1375 0.933 0.769 0.864 3.000 0.180 1208 0.929 0.752 0.885 4.000 0.125 2252 0.917 0.732 0.883 4.000 1.000 452 0.882 0.717 0.788 3.000 193 ________________________________________________________VIII. Apêndice 0981 0982 Tabela 0.710 675 0.872 0.705 0.767 3.000 0.500 1302 0.926 0.770 0.833 3.000 0.250 1993 0.917 0.747 0.853 3.000 0.180 1701 0.933 0.765 0.879 3.000 0.125 2175 0.928 0.751 0.904 4.000 0.090 607 0.912 0.749 0.842 3.000 1.000 319 0.867 0.700 0.788 3.000 0.710 335 0.884 0.709 0.813 3.000 0.500 502 0.894 0.719 0.804 3.000 0.250 689 0.904 0.725 0.837 3.000 0.180 685 0.908 0.742 0.839 3.000 0.125 422 0.923 0.752 0.893 4.000 0.090 1767 0.928 0.759 0.907 4.000 0.063 1327 0.947 0.786 0.940 4.000 1.000 379 0.873 0.704 0.800 3.000 0.710 389 0.880 0.706 0.807 3.000 0.500 447 0.892 0.724 0.791 3.000 0.250 493 0.900 0.720 0.805 3.000 0.180 547 0.904 0.717 0.850 3.000 0.125 1252 0.925 0.754 0.883 4.000 0.090 2069 0.937 0.775 0.906 4.000 0.063 1516 0.940 0.781 0.923 4.000 II. Imagens dos grãos de quartzo analisados após o pré-processamento. NGA_2A_01 NGA_2A_02 NGA_2A_03 NGA_2A_04 NGA_2A_05 NGA_2A_06 194 ________________________________________________________VIII. Apêndice NGA_2A_07 NGA_2A_08 NGA_2A_09 NGA_2A_10 NGA_2A_11 NGA_2A_12 NGA_2A_13 NGA_2A_14 NGA_2A_15 NGA_2A_16 NGA_2E_01 NGA_2E_02 NGA_2E_03 NGA_2E_04 NGA_2E_05 NGA_2E_06 NGA_2E_07 NGA_2E_09 NGA_2E_10 NGA_2E_11 NGA_2E_12 NGA_2E_13 NGA_2E_14 NGA_2E_15 NGA_2E_16 NGA_2E_17 NGA_2G_01 195 ________________________________________________________VIII. Apêndice NGA_2G_02 NGA_2G_03 NGA_2G_04 NGA_2G_05 NGA_2G_06 NGA_2G_07 NGA_2G_08 NGA_2G_09 NGA_2G_10 NGA_2G_11 NGA_2G_12 NGA_2G_13 NGA_2G_14 NGA_7C_01 NGA_7C_02 NGA_7C_03 NGA_7C_04 NGA_7C_05 NGA_7C_06 NGA_7C_07 NGA_7C_08 NGA_7C_09 NGA_7C_10 NGA_7C_11 196 ________________________________________________________VIII. Apêndice NGA_7C_12 NGA_7C_13 NGA_7C_14 NGA_7C_15 NGA_7C_16 NGA_7C_17 NGA_7C_18 NGA_7C_19 NGA_7C_20 NGA_7C_21 NGA_7C_22 NGA_7C_23 NGA_7C_24 NGA_7C_25 NGA_7C_26 NGA_7C_27 NGA_7C_28 NGA_7C_29 NGA_7F_01 NGA_7F_02 NGA_7F_03 NGA_7F_04 NGA_7F_05 NGA_7F_06 NGA_7F_07 NGA_7F_08 NGA_7F_09 197 ________________________________________________________VIII. Apêndice NGA_7F_10 NGA_7F_11 NGA_7F_12 NGA_7F_13 NGA_7F_14 NGA_9A_01 NGA_9A_02 NGA_9A_03 NGA_9A_04 NGA_9A_05 NGA_9A_06 NGA_9A_07 NGA_9A_08 NGA_9A_09 NGA_9A_10 NGA_9A_11 NGA_9A_12 NGA_9A_13 NGA_9A_14 NGA_9A_15 NGA_9A_16 NGA_9A_17 NGA_9A_18 NGA_9A_19 NGA_9A_20 NGA_9A_21 NGA_9A_22 198 ________________________________________________________VIII. Apêndice NGA_9A_23 NGA_9A_24 NGA_9A_25 NGA_9A_26 NGA_9A_27 NGA_9A_28 NGA_9A_29 NGA_18_01 NGA_18_02 NGA_18_03 NGA_18_04 NGA_18_05 NGA_18_06 NGA_18_07 NGA_18_08 NGA_18_09 NGA_18_10 NGA_18_11 NGA_18_12 NGA_18_13 NGA_18_14 NGA_18_15 NGA_18_16 NGA_18_17 NGA_18_18 NGA_18_19 NGA_18_20 NGA_18_21 NGA_18_22 NGA_18_23 199 ________________________________________________________VIII. Apêndice NGA_18_24 NGA_2G_02_A NGA_2G_05_A NGA_7C_11_A NGA_7C_14_A NGA_18_06_A NGA_18_10_A 200