Este trabalho mostra que a suavização Gaussiana pode exercer outra função além da filtração. Considerando-se imagens binárias, este processo pode funcionar como uma espécie de marcador, que modifica as feições das fronteiras entre duas regiões homogêneas contrastantes. Tais feições são pontos de concavidades, de convexidades ou de bordas em linha reta. Ou seja, toda a informação necessária para se caracterizar a forma bidimensional de uma região. A quantidade de suavização realizada em cada ponto depende da configuração preto/branco que compõe a vizinhança onde este se situa. Isto significa que cada ponto sofre uma quantidade particular de modificação, a qual reflete a interface local entre o objeto e o fundo. Então, para detectar tais feições, basta quantificar a suavização em cada ponto. No entanto, a discriminação pixel a pixel exige que a distribuição Gaussiana apresente boa localização, o que só acontece em escalas muito baixas (σ≅0,5). Assim, propõe-se uma distribuição construída a partir da soma de duas Gaussianas. Uma é bem estreita para garantir a boa localização e a outra possui abertura irrestrita para representar a escala desejada. Para confirmar a propriedade de marcação dessa distribuição, são propostos três detectores de corners de contorno, os quais são aplicados à detecção de pontos dominantes. O primeiro utiliza a entropia de Shannon para quantificar a suavização em cada ponto. O segundo utiliza as probabilidades de objeto e de fundo contidos na vizinhança observada. O terceiro utiliza a diferença entre Gaussianas (DoG) para determinar a quantidade suavizada, porém com a restrição de que uma das versões da imagem tenha suavização desprezível, para garantir a boa localização. Este trabalho se fundamenta na física da luz e na visão biológica. Os ótimos resultados apresentados sugerem que a detecção de curvaturas do sistema visual pode ocorrer na retina. / This work shows that the Gaussian smoothing can have additional function to filtration. Considering the binary images, this process can operate as a kind of marker that changes the features of the boundaries between two contrasting homogeneous regions. These features are points of concavities, convexities or straight edges, which are all the necessary information to characterize the two-dimensional shape of a region. The amount of smoothing performed at each point depends on the black/white configuration that composes the neighborhood where the point is located. This means that each point suffers a particular modification, which reflects the local interface between object and background. Thus, to detect such features, one must quantify the smoothing at each point. However, pixel-wise discrimination requires that the Gaussian distribution does not suffer flattening, which occurs in very low scales (σ≅0.5), only. Thus, it is proposed a distribution built from the sum of two Gaussians. One must be very narrow to ensure good localization, and the other is free to represent the desired scale. To confirm the property of marking, three boundary based corner detectors are proposed, which are applied to the detection of dominant points. The first uses the Shannon\'s entropy to quantify the smoothing at each point. The second uses the probabilities of object and background contained in the local neighborhood. The third uses the difference of Gaussians (DoG) to determine the amount of smoothing. This Work relies on the physics of light and biological vision. The presented results are good enough to suggest that the curvature detection, in visual system, occurs in the retina.

Este trabalho mostra que a suavização Gaussiana pode exercer outra função além da filtração. Considerando-se imagens binárias, este processo pode funcionar como uma espécie de marcador, que modifica as feições das fronteiras entre duas regiões homogêneas contrastantes. Tais feições são pontos de concavidades, de convexidades ou de bordas em linha reta. Ou seja, toda a informação necessária para se caracterizar a forma bidimensional de uma região. A quantidade de suavização realizada em cada ponto depende da configuração preto/branco que compõe a vizinhança onde este se situa. Isto significa que cada ponto sofre uma quantidade particular de modificação, a qual reflete a interface local entre o objeto e o fundo. Então, para detectar tais feições, basta quantificar a suavização em cada ponto. No entanto, a discriminação pixel a pixel exige que a distribuição Gaussiana apresente boa localização, o que só acontece em escalas muito baixas (σ≅0,5). Assim, propõe-se uma distribuição construída a partir da soma de duas Gaussianas. Uma é bem estreita para garantir a boa localização e a outra possui abertura irrestrita para representar a escala desejada. Para confirmar a propriedade de marcação dessa distribuição, são propostos três detectores de corners de contorno, os quais são aplicados à detecção de pontos dominantes. O primeiro utiliza a entropia de Shannon para quantificar a suavização em cada ponto. O segundo utiliza as probabilidades de objeto e de fundo contidos na vizinhança observada. O terceiro utiliza a diferença entre Gaussianas (DoG) para determinar a quantidade suavizada, porém com a restrição de que uma das versões da imagem tenha suavização desprezível, para garantir a boa localização. Este trabalho se fundamenta na física da luz e na visão biológica. Os ótimos resultados apresentados sugerem que a detecção de curvaturas do sistema visual pode ocorrer na retina. / This work shows that the Gaussian smoothing can have additional function to filtration. Considering the binary images, this process can operate as a kind of marker that changes the features of the boundaries between two contrasting homogeneous regions. These features are points of concavities, convexities or straight edges, which are all the necessary information to characterize the two-dimensional shape of a region. The amount of smoothing performed at each point depends on the black/white configuration that composes the neighborhood where the point is located. This means that each point suffers a particular modification, which reflects the local interface between object and background. Thus, to detect such features, one must quantify the smoothing at each point. However, pixel-wise discrimination requires that the Gaussian distribution does not suffer flattening, which occurs in very low scales (σ≅0.5), only. Thus, it is proposed a distribution built from the sum of two Gaussians. One must be very narrow to ensure good localization, and the other is free to represent the desired scale. To confirm the property of marking, three boundary based corner detectors are proposed, which are applied to the detection of dominant points. The first uses the Shannon\'s entropy to quantify the smoothing at each point. The second uses the probabilities of object and background contained in the local neighborhood. The third uses the difference of Gaussians (DoG) to determine the amount of smoothing. This Work relies on the physics of light and biological vision. The presented results are good enough to suggest that the curvature detection, in visual system, occurs in the retina.