Gustavo7/6/2010Primeiro perguntaria para turma o que eles acham que é segmentação de imagens. Quais suas aplicações e discutiria brevemente as idéias de cada aluno.
Objetivo de particionar uma imagem digital em multiplos segmentos ( cluster de pixels )
Pode ser usada para reconhecimento de objetos, compressão de imagens, edição de imagens entre outros.
Introdução
Gustavo
Apresentação de algumas utilidades da segmentação de imagens. Perguntaria pra turma quais outros tipos de aplicação eles veriam para segmentação de imagens. Discutiria se era aplicável ou não as propostas apresentadas. Por fim, caso não tenha sido citado ou caso eles não tenham tido nenhuma proposta, comentaria o problema bem conhecido do campo de futebol e o tira-teima.
Exemplos
Imagem original Imagem Segmentada
Gustavo
Mostraria o exemplo desta foto para turma, como é possível reconhecer através da segmentação o que é terra, o que é milho, o que é feijão etc...Explicaria que o resultado da segmentação de imagem é um grupo de segmentos que coletivamente cobrem toda a imagem ou uma série de contornos da imagem( detecção de arestas ). Cada pixel de uma região é semelhante com alguma característica ou propriedade computacional, como cor, intensidade ou textura. Regiões adjacentes são significativamente diferentes com respeito as mesmas características.
Clustering Histogram-based Edge detection Region growing Graph Partitioning
Métodos
Gustavo
Um breve resumo sobre os métodos que vão ser apresentados.
1. Escolha K centros de cluster, aleatoriamente ou baseado em alguma heurística
2. Atribua cada pixel da imagem para o cluster que minimiza a distância entre o pixel e o centro do cluster
3. Re-calcule o centro do cluster fazendo a média dos pixels do cluster
4. Repita os passos 2 e 3 até que ocorra uma convergência.
Clustering – K-means
Gustavo
Explicar o conceito de distância, que pode ser a distância baseada na luminância da imagem, na cor, usando o sistema RGB ou outro sistema qualquer, na posição do pixel ou em uma combinação de pesos desses fatores. Explicar o conceito de convergência(eg. pixels não mudam de cluster ). Argumentar que a qualidade da solução depende do valor de K e da heuristica de agrupamento.
Histogramas são computados de todos os pixels na imagem.
Os picos e os vales do histograma são usados para achar os clusters da imagem
Eficiente pois tipicamente requer uma única passada por todos os pixels
Histogramas
Gustavo
Discutir um refinamento da técnica que pode ser aplicada recursivamente o método de histograma em clusters da imagem para sub-dividir os clusters em clusters menores. Isso pode ser repetido até que não se formem mais clusters. Comentar sobre uma possível desvantagem do método de histograma, que é a dificuldade que se pode ter em detectar picos e vales em algumas imagens.
Um campo grande na área de segmentação de imagem
Uma das possíveis abordagens é usar o operador de Sobel
Edge Detection
Gustavo
Explicar em detalhes o operador de Sobel. Relembrar basicamente o que é um vetor gradiente e como a magnitude deste vetor pode representar a mudança entre um objeto e outro da imagem. Lembrar que este operador é basicamente um filtro passa-alta.
Exemplo Edge Detection
Gustavo
Apontar como o algoritmo funciona e mostrar algumas falhas na detecção de arestas, ou seja, não detectando aresta onde deveria detectar como no círculo vermelho.
Um dos métodos é o de sementes(“seeding”)
Recebe um conjunto de sementes como entrada ao longo da imagem
As sementes marcam cada objeto como segmentado.
As regiões vão crescendo iterativamente comparando todos os pixels vizinhos não alocados com as regiões
Region Growing
Gustavo
Falar que a diferença entre um pixel e a média da região pode ser usada como medida de similaridade. Os pixels com menores diferença são alocados nas regiões respectivas. A convergência pode ser dada quando todos os pixels pertencem a alguma região.
Imagem é modelada como um grafo não direcionado com pesos em suas arestas
Tipicamente um pixel ou um grupo de pixels são associados com os nós e os pesos das arestas definem a diferença entre os pixels vizinhos
O grafo(imagem) é particionado de acordo com algum critério para gerar os clusters.
Cada partição desses nós(pixels) são considerados objetos da imagem segmentada
Graph Partitioning
Gustavo
Discutir com a turma um possível algoritmo usando árvores geradoras mínimas. Baseado no algoritmo de Kruskal, onde as arestas são ordenas e a aresta de menor peso é adicionada ao grafo caso um ciclo não seja formado e os pixels sejam "similares". A saída do algoritmo seria várias árvores geradoras mínimas disjuntas.
Compression-based Level set Watershed transformation Model based Multi-scale Semi-automatic Neural networks
Outros métodos
Gustavo
Listagem de outros métodos não abordados na aula que a turma pode se interessar e pesquisar
