Contabilizar pequenos objetos em imagens, que estão presentes aos milhares, é uma tarefa trabalhosa e requer atenção para ser finalizada. Além disso, agrupar a quantidade desses objetos por características físicas é importante para diversas aplicações. Essa análise de distribuição dos grãos/partículas é conhecida pelo nome de granulometria. Neste trabalho aplicamos granulometria baseada em correlação em dois casos: contabilizar colônias de bactérias e microesferas de vidro. A contagem de colônias de bactérias tem vasta aplicação nas ciências biológicas, fornecendo importantes informações com as mais diversas finalidades. Para essa contagem propomos uma abordagem que utiliza granulometria baseada em correlação cruzada e Maximally Stable Extremal Regions (MSER) para contar colônias em imagens com diferentes quantidades de colônias Staphylococcus aureus. Chamamos essa abordagem de MSGranul e compararemos seu desempenho com abordagens anteriores. Os resultados dessa comparação mostram que MSGranul alcança taxa de erro média inferior a tais abordagens. Portanto, MSGranul pode ser usado efetivamente para a contagem de colônias. A segunda aplicação é a contagem de microesferas de vidro. A sinalização em pavimentos rodoviários é um importante elemento de segurança para os motoristas e sua visibilidade noturna está relacionada ao nível de retrorrefletividade. A quantidade de microesferas que é depositada na tinta fresca da sinalização está positivamente correlacionada ao nível de retrorrefletividade. Para contabilizar as microesferas de vidro utilizamos a granulometria por correlação combinada com pré-processamento por rede neural convolucional U-Net.

Counting small objects in images, which are present in the thousands, is a laborious task and requires attention for being finalized. In addition, aggregating the number of these objects by physical characteristics is important for many applications. This grain/particle distribution analysis is known by the name of granulometry. In this work, we apply granulometry based on correlation in two cases: counting colonies of bacteria and glass microspheres. The count of bacterial colonies has wide application in the biological sciences, providing important information for the most diverse purposes. For this task, we propose an approach that uses granulometry based on cross-correlation and Maximally Stable Extremal Regions (MSER) for counting colonies in images that have different amounts of Staphylococcus aureus colonies. We call this approach MSGranul and compare its performance with previous approaches. The results of this comparison show that MSGranul reaches an average error rate lower than other approaches. Therefore, it can be effective for counting colonies. The second application is the counting of glass microspheres. Markings over road pavements are important safety elements for drivers and their night visibility is assessed by retrorreflectivity level. The amount of microspheres that is deposited in the fresh ink is positively correlated to the retroreflectivity level. In order to count the glass microspheres we used the granulometry combined with pre-processing by convolutional neural network U-Net.