Implementation and discussion of the Pith Estimation on Rough Log End Images using Local Fourier Spectrum Analysis method

1. Problema

A localização precisa do medula (pith) em seções transversais de toras de madeira é crucial para a indústria florestal, especialmente para o processamento industrial de toras. Muitos algoritmos de delimitação de anéis de crescimento dependem de uma localização precisa do medula, pois os anéis formam um padrão concêntrico semelhante a uma "teia de aranha".

No entanto, a detecção automática é desafiadora devido a:

• Irregularidades reais: As seções transversais não são perfeitamente circulares; apresentam assimetrias, nós, rachaduras e deformações.
• Perturbações visuais: Presença de fungos (manchas azuis), falta de casca e variações de iluminação.
• Ruído: A estrutura dos anéis pode ser degradada pelo processo de serragem ou secagem.

O objetivo é desenvolver um método robusto para estimar a posição do medula nessas condições adversas, utilizando imagens RGB de extremidades de toras.

2. Metodologia

O artigo descreve a implementação em Python (CPU) e a análise do método proposto por Schraml e Uhl (2013), intitulado "Pith Estimation on Rough Log End images using Local Fourier Spectrum Analysis". O pipeline do algoritmo segue quatro etapas principais:

A. Estimativa de Orientação Local

A hipótese central é que as normais à orientação local de cada anel de crescimento convergem para o medula.

1. Divisão da Imagem: A imagem da seção transversal é dividida em blocos (patches).
2. Análise de Fourier: Para cada bloco, aplica-se a Transformada de Fourier 2D. Como os anéis dentro de um pequeno bloco podem ser aproximados por curvas quase paralelas (vizinhanças simples), o espectro de Fourier concentra energia ao longo de uma linha perpendicular à direção dos anéis.
3. Filtragem e Detecção: O espectro é filtrado (passa-banda) para remover frequências muito baixas e altas. A orientação da linha de energia é estimada usando um dos quatro métodos:
   • Peak: Conexão entre o pico de magnitude e o centro.
   • LSR (Least Squares Regression): Ajuste de linha por mínimos quadrados.
   • WLSR (Weighted LSR): Mínimos quadrados ponderados pela magnitude do espectro.
   • PCA (Principal Component Analysis): Extração da direção principal.
4. Filtro de Confiança: Apenas as orientações com uma pontuação de certeza (baseada no coeficiente de determinação $|R^2|$ ou razão de autovalores) acima de um limiar são mantidas.

B. Espaço Acumulador (Accumulator Space)

As linhas normais estimadas em cada bloco são traçadas sobre a imagem inteira. Um espaço acumulador (uma matriz do tamanho da imagem) conta as interseções dessas linhas:

• Método 1 (Interseção): Incrementa o contador apenas onde duas linhas se cruzam.
• Método 2 (Passagem): Incrementa o contador em todos os pixels por onde a linha passa (implementado via OpenCV).

C. Estimativa do Pico

O espaço acumulador é suavizado com um filtro Gaussiano. A posição do medula é estimada como o pico global (máximo) desse espaço. Se houver múltiplos picos globais, a média das posições é retornada.

3. Principais Contribuições

• Implementação em Python: Disponibilização de uma implementação funcional e documentada do método de Schraml e Uhl em Python 3.11, tornando o algoritmo acessível e reprodutível.
• Análise Comparativa: Avaliação rigorosa do método em dois conjuntos de dados distintos (UruDendro e Kennel) e comparação com o estado da arte (método baseado em Otimização por Colônia de Formigas - ACO, de Decelle et al.).
• Avaliação de Robustez: Estudo detalhado do desempenho do algoritmo frente a desafios específicos como fungos, rachaduras e nós, analisando não apenas a distância euclidiana, mas também a precisão de localização dentro da região da medula.

4. Resultados

Os experimentos foram realizados nos conjuntos de dados UruDendro (Pinus taeda, com desafios como fungos e rachaduras) e Kennel (Abies alba).

• Precisão de Distância (UruDendro): O método Schraml superou o método ACO em métricas estatísticas de distância euclidiana (média, percentil 90, 95 e máximo). A distância média foi de 44 pixels para Schraml contra 72 pixels para o ACO.
• Precisão de Distância (Kennel): O método ACO teve desempenho ligeiramente melhor em termos de distância absoluta, embora ambos tenham sido muito precisos.
• Precisão de Região (Medula):
  • No conjunto UruDendro, o método ACO foi significativamente superior em termos de "True Positives" (localização dentro da medula), com 70% de precisão contra 14% do método Schraml. Isso indica que, embora o Schraml esteja mais próximo em pixels médios, o ACO falha menos drasticamente ao sair completamente da região central em casos difíceis.
  • No conjunto Kennel, ambos os métodos tiveram desempenho similar (71% de precisão).
• Desempenho em Casos Difíceis: O método Schraml tende a falhar quando há presença pesada de fungos sobre a medula, perdendo a estrutura dos anéis. O método ACO, embora mais preciso na média, pode gerar previsões muito distantes da medula quando falha.
• Tempo de Execução: O método Schraml é extremamente rápido, realizando a detecção em menos de 1 segundo por imagem na configuração otimizada.

5. Significado e Conclusão

O artigo demonstra que, apesar de ser publicado em 2013, o método baseado em Análise de Espectro de Fourier Local continua sendo uma abordagem de ponta (state-of-the-art) para a detecção de medula, especialmente quando a informação da borda do anel é forte e livre de fungos.

A principal conclusão é a complementaridade dos métodos:

• O método Schraml é computacionalmente eficiente e muito preciso em imagens limpas, mantendo a detecção próxima à medula (entre os anéis 0 e 2).
• O método ACO é mais robusto em cenários com perturbações severas (fungos), garantindo que a detecção permaneça dentro da região da medula, embora possa ser menos preciso em pixels absolutos em alguns casos.

A disponibilização do código e a análise detalhada dos parâmetros (tamanho do bloco, sobreposição, limiares de Fourier) fornecem uma base sólida para aplicações práticas na indústria madeireira e para o desenvolvimento futuro de algoritmos híbridos que combinem a velocidade do Fourier com a robustez de métodos de otimização.