Segmentação de Imagens. Alexandre Valdetaro Porto. Introdução. Segmentação é o agrupamento de Pixels de uma imagem em regiões peculiares. Objetivos. Expor alguma informação contida na imagem. Partes da um foto Objetos Superfícies Letras Patterns Silhuetas Etc. Aplicações importantes. - PowerPoint PPT Presentation
Citation preview
Segmentação de Imagens
Alexandre Valdetaro Porto
Introdução Segmentação é o agrupamento de Pixels de
uma imagem em regiões peculiares.
Alexandre Valdetaro
Explicaria que os grupos de pixels, chamados de clusters visam expor algum dado contido na imagem, exemplificando pela foto.
Objetivos Expor alguma informação contida na imagem.
Partes da um foto Objetos Superfícies Letras Patterns Silhuetas Etc..
Alexandre Valdetaro
Faria uma pergunta a turma sobre como ela imaginaria que um computador pudesse reconhecer algo em uma imagem analogamente a um ser humano.Então falaria sobre os tipos de propriedades de uma foto a serem reconhecidas na segmentação que são naturalmente reconhecidas por um ser humano.Para cada tópico citado que não ilustra trivialmente aos alunos uma aplicação prática, citaria um exemplo de aplicação, como Patters para RA etc...
Aplicações importantes Localização de locais em imagens de satélite Reconhecimento de faces Realidade Aumentada Imagens Médicas Leitura de impressões digitais Buscas em bancos de dados de imagem
Alexandre Valdetaro
Apenas leria os tópicos para os alunos explicando por alto os temas.
Abordagem para o problema Existem inúmeros algoritmos para
segmentação de imagem.
A abordagem naive para o problema seria varrer a imagem buscando pixels que estejam variando de cor ou intensidade dentro de uma dada tolerância. Lembrando-se sempre de respeitar as margens dos objetos.
Alexandre Valdetaro
Explicaria que os algoritmos abordam os problemas de diversas maneiras diferentes, e que em breve citarei alguns.Diria que em geral passa-se a imagem para grayscale por ser mais facil de discretizar(255 cores).Sobre a abordagem naive, tentaria mostrar o quão difícil o código pode ser. Apesar da explicação ser simples, é bem complicado navegar na imagem se preocupando com os limites dos segmentos.
Algoritmos conhecidos K-means Histogram Edge detection WaterShed Transformation Muitos outros...
Alexandre Valdetaro
Darei uma breve citaçãoo sobre a ideia geral de cada algoritmo e a dificuldade de sua implementação.ex:O uso do k-means para segmentação é o mais intuitivo dos approaches. è garatida sua convergência, mas os resultados são variáveis.Histogramas podem ser usados para quantificar a discretização da imagem, e também podem auxiliar outros métodos como passo inicial...
K-Means 1 Primeiramente escolha um número variável
de grupos para os pixels e escolha seus valores médios.
2 Varra a imagem incluindo cada pixel ao grupo cujo valor médio mais se aproxima de seu valor
3 Recalcule os valores médios dos grupos com os pixels novos incluidos.
Faça 2 e 3 até que nenhum pixel mude de grupo.
Alexandre Valdetaro
Explicaria que esses valores médios podem ser escolhidos ou gerados aleatoriamente.Para cada conjunto de valores iniciais pode-se ter um resultado diferente.A implementação deve levar em consideração a localidade (x,y) dos pixels para agrupa-los. e para o tal terá alta complexidade com diversos loops entrelaçados
K-Means
Alexandre Valdetaro
Apenas exemplificaria o método mostrando com a figura que 3 clusters são calculados e o processo está próximo de convergir.
Histogram Calcula um histograma da imagem Requer uma passada apenas Utiliza-se os picos e vales para encontrar os
grupos para subdivisão dos pixels Pode ser utilizado para dizer os grupos iniciais
dos pixels para o método K-means
Alexandre Valdetaro
È (para variar) de facil implementação, basta apenas varrer a imagem e guardar os pixels nos respectivos grupos.Perguntaria se os alunos acham que este método produziria um efeito razoável.Falaria então que é pouco provável que se obtenha resultados razoáveis utilizando apenas esta tecnica pois ela não leva em consideração a localidade.
Edge Detection Métodos de detecção de arestas podem
discretizar os objetos facilmente. A silhueta de um objeto tende a ser um ponto
da imagem com o grande magnitude de gradiente, ou seja, que há grande variação na intensidade em relação aos vizinhos.
Pode ser feito algo trivial desde a diferença entre a intensidade do pixel anterior e o atual ou filtros mais complexos que utilizam o gradiente da imagem.
Filtro passa alta
Alexandre Valdetaro
Apesar de sua aparente eficácia, pode ser problemático o excesso de arestas detectadas.As arestas inicialmente são disconexas, mas para segmentação são necessárias regiões fechadas.
Edge Detection
Alexandre Valdetaro
Mostraria para os alunos como as arestas ficam detectadas no filtro passa alta, e a necessidade de se conectar as pontas e formar subregiões
Watershed Tranformation A transformação Watershed é similar ao Edge
Detection. Primeiramente considera-se os pixels com
maior magnitude de gradiente da como sendo bordas.
Assim, fazendo uma analogia com o cair de gotas em um superfície topológica(análoga a uma imagem em greyscale), as gotas escorrerão um mínimo de intensidade local.
Os pixels que escorrem para o mínimo local formam uma poça, que pode ser considerado um grupo na segmentação.
Alexandre Valdetaro
Esta complementação ao Edge Detection poderia levar a exelentes resultados.
Watershed transformation
Alexandre Valdetaro
Mostrando a foto, explicaria a variação do gradiente nos pixels, e como as gotas realmente andariam no caminho do gradiente menor.
Conclusão Todos os algoritmos abordados podem ser
combinados para obtenção de melhores resultados.
A escolha do método certo depende do tipo de aplicação e imagem.
Podem ser aplicados na escala de cor da imagem, porém se tornam mais complexos
