Segmentação de imagens

segmentação

Pré-processamento descrição / análise

• Não existe uma única e definitiva abordagem ao problema da segmentação

• A descrição pode ser feita a partir de diferentes partes da cena

• Pode haver várias formas de se extrair as regiões de interesse a serem descritas/analisadas

Conclusão: a segmentação é uma etapa dependente do problema, importante na análise de imagens

Classificação geral

• Completa: resulta num conjunto de regiões disjuntas

• Parcial: não corresponde diretamente a imagens de objetos

Técnicas de segmentação:

• baseada em conhecimento global

• baseada no contorno dos objetos

• baseada nas regiões definida pelos objetos

Ou equivalentemente:

• baseada em descontinuidades (contornos) dos níveis de cinza

• baseada em similaridades (regiões) dos níveis de cinza

• Descontinuidades: detecção de pontos isolados, primitivas e contornosetc • similaridade: limiarização, crescimento de regiões, subdivisão de regiões, fusão de regiões etc

Tudo isto em imagens estáticas ou dinâmicas

Detecção de descontinuidades

• Em geral, pode-se considerar máscaras representando modelos das descontinuidades

987

654

321

wwwwwwwww

Exemplo: Detecção de pontos isolados

A resposta R da máscara para um ponto da imagem é:

9

1ii

992211

w

...

iz

zwzwzwR

máscara da wecoeficient ao associado pixel do eintensidad a é iiz

Um ponto isolado é detectado se , || TR T é um limiar

Exemplo de máscara

111181111

000010000

111181111

000080000R

imagem máscara

Original f

111181111

máscara

Exemplo: Detecção de ponto isolado

R

e limiar T = max(|R|)

Detecção de linhas

Exemplo: Considerar máscaras representando modelos de linhas empossíveis direções na malha discreta

111222111

112121

211

121121121

211121112

horizontal +45 vertical -45

o ponto está associado a uma linha na direção i

1R 2R 3R 4R

então j,i |,||| Se i jRR

Exemplo: Detecção de linhas de espessura 1 pixel na direção -45 graus

Original

211121112

-45

máscara

Reposta da máscara (R)

espessura de 1 pixel

Reposta da máscara (R) |R|

Resposta após limiarização com T = max(|R|)

Casamento de padrões (template matching)

• Outra forma simples de se extrair padrões de uma imagem é a partirdo conceito de correlação visto anteriormente.

Correlação de f(x,y) e h(x,y):

1-0,1,2...Ny 1,-0,1,2...M x para ,),(),(),( s t

tysxhtsfyxc

equivalente à convolução sem a rotação da máscara h de o180

• Pode-se usar a FFT para o casamento com padrões muito grandes

Exemplo 1:

f

h

c

Pontos de c > T=60

(o max valor dos pixels em c é 68)

Exemplo 2:f

h

c

pontos de c > T=315

Detecção de bordas

• Uma borda é uma fronteira entre duas regiões com relativa diferença de níveis de cinza

• Estes métodos de segmentação são ideais quando as regiões são suficientemente homogêneas

• A ideia básica consiste do emprego de um operador derivativolocal (como estudado anteriormente)

Os detectores de contorno vistos anteriormente (Roberts, Sobel,LoG, Prewitt, Canny etc) podem ser empregados aqui.

O Laplaciano, por exemplo, é utilizado na localização das bordas considerando-se a propriedade do zero-crossing (Método de Marr-Hildreth).

Lembrando: Este conceito baseia-se na convolução de uma imagemcom o Laplaciano de uma função gaussiana (LoG) 2-D do tipo:

padrão desvio o é , ),()

2( 2

22

yx

eyxh

O Laplaciano de h é dado por

2

2

24

222

r

erh

h2

• O zero-crossing ocorre quando r• A forma desta função corresponde ao modelo das máscaras laplacianasdo tipo

010141

010h

),(2 vuH•Filtragem passa-altas:

• Borra a imagem com o grau de borramento proporcional a .

Isto significa que este operador filtra a imagem e serve para detectara posição dos seus contornos.

filtragem + deteccão de bordas

Exemplos: LoG com diferentes sigmas

Original f

1

f* h2

3

f* h2

5

f* h2

10

f* h2

15

f* h2

LoG

SobelOriginal

Função gaussiana Máscara laplaciana

LoG LoG limiarizado Zero-crossing