segmentação de imagens segmentação pré-processamento descrição / análise não existe uma...
TRANSCRIPT
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