Segmentação de Imagens: abordagens para reconhecimento de placas de veículos

Transcrição

1 Segmentação de Imagens: abordagens para reconhecimento de placas de veículos Fredy Elmer Arias Chipana, Yuzo Iano Departamento de Comunicações Faculdade de Engenharia Elétrica e de Computação Universidade Estadual de Campinas (Unicamp) farias@decom.fee.unicamp.br Resumo Este artigo tem como objetivo apresentar diferentes modelos ou técnicas usadas na segmentação de imagens. Abordam-se modelos mais simples bem como os mais elaborados. Dessa forma, mencionam-se aspectos importantes que devem ser considerados para a solução de problemas. Palavras-chave: segmentação, modelo, imagem digital. 1. Introdução A segmentação de imagens faz parte do processamento digital de imagens. O objetivo é facilitar a análise de partes (denominados objetos) da imagem [1]. Uma imagem digital é uma representação visual da aparência de um objeto real ou imaginário na forma de um arquivo digital matricial ou vetorial. As imagens matriciais são representadas como uma tabela de pontos chamados pixels. Em processamento digital de imagens se identificam e classificam os pixels de acordo com algumas de suas características. A segmentação de imagens é o processo de identificação dos pixels com características similares usando-se etiquetas. Os pixels com igual etiqueta representam um objeto ou região. A análise de uma imagem implica no reconhecimento de objetos nela presentes, ou seja, devem-se identificar os pixels pertencentes a um objeto marcando-os ou etiquetando-os. As técnicas ou métodos de segmentação identificam características de pixels tais como similaridade ou descontinuidade a fim de encontrar e identificar um objeto. No presente trabalho, abordam-se os principais métodos usados para a segmentação de imagens, analisando suas vantagens e desvantagens. Isso pode dar uma ideia de qual é o mais adequado para se aplicar na identificação de placas de veículos. Para compreender os métodos de segmentação é necessário conhecer alguns conceitos como região e umbral. Define-se uma região como sendo parte de uma imagem. Essa parte consiste de um conjunto de pixels próximos ou agrupados. A formação desse conjunto segue um critério de similaridade. Umbral ou limiar pode ser definido como sendo a variação de valor limite que um pixel de uma região deve ter para se identificar se o pixel pertence ou não ao grupo. Existe uma variedade de métodos de segmentação descrita em diferentes artigos relacionados ao tema. Identificam-se três linhas básicas; os métodos baseados em umbral, os baseados em detecção de bordas e os métodos baseados em regiões. Muitas das outras técnicas usam combinações dessas básicas, diferenciando-se na etapa de aplicação do algoritmo. O objetivo do presente artigo é estudar os métodos de segmentação de imagens, recomendar o uso de algumas delas e propor uma para a localização e segmentação de placas de veículos. 2. Métodos de Segmentação 2.1. Algoritmos baseados no valor de umbral Nesse tipo de técnicas se identificam os pixels que pertencem ao objeto por meio de seu valor de umbral. Para o cálculo de valor de umbral pode-se fazer uso do histograma da imagem. Nesse caso, buscam-se e analisam-se seus mínimos locais. O histograma de uma imagem não considera informação espacial. Considera-se somente a distribuição do valor dos pixels na imagem. Outra forma de calcular o valor de umbral de forma automática é usando o método de Otsu [2]. Nesse método, utilizam-se técnicas estatísticas como a variação que é uma medida de dispersão. Neste caso, usam-se os níveis de cinza. Uma vez fixado o valor de umbral T, pode-se diferenciar os pixels dos objetos. Recorre-se a todos os pixels da imagem I. Todos os pixels que satisfazem, são etiquetados como objeto, caso contrário como fundo [3][4][5].

2 Esses métodos podem ser aplicados na segmentação das letras da placa porque existe um bom contraste delas com o fundo Baseados na detecção de bordas A base dessas técnicas de segmentação está em se aplicar um método de morfologia matemática para a detecção de bordas tais como o de Sobel, Prewit, Roberts, Laplaciana da gaussiana ou Canny [6]. Em seguida, se aplica um algoritmo de união ou realce de bordas. Isso permite agrupar pixels detectados como bordas locais entre as regiões da imagem para determinar de maneira mais precisa o contorno dos objetos de uma imagem. Uma técnica usada é a transformada de Hough, para a detecção de linhas retas e curvas em imagens. As técnicas de detecção de bordas podem ser ótimas para a identificação da placa Baseados em regiões Uma região é uma parte da imagem composta de um conjunto de pixels que tem certo grau de similaridade. Nos métodos de segmentação baseados em regiões, assume-se que os pixels vizinhos de uma região tem um valor similar. O procedimento comum é comparar um pixel com seus vizinhos e então agrupá-los de acordo com um critério de similaridade Crescimento de regiões por semente É o mais simples e conhecido método de segmentação baseado em regiões. A ideia desse algoritmo é selecionar um conjunto de pixels iniciais, chamados de sementes. Em geral, tais pixels são escolhidos no centro da região. Esse algoritmo começa com a escolha de um pixel semente e depois se examina os pixels vizinhos, verificando-se se esses não são bordas que se agregam na região. O processo de crescimento produz uma região simples contendo pixels com propriedades similares com as da semente. A escolha das sementes iniciais determinam as variantes desse algoritmo [7]. Para a aplicação desse algoritmo é usada a especificação de duas variáveis que são o tamanho da imagem e a diferença absoluta entre o nível de cinza das regiões de crescimento e o pixel semente. Calcula-se primeiro um valor médio para um grupo que é o nível de cinza de um grupo dividido pelo número de pixels. No processo, a semente expande a região baseado em um critério que é previamente definido para determinar a similaridade entre os pixels da região (geralmente o umbral). Na expansão da região, cada pixel vizinho é comparado usando, donde: é o nível de cinza do pixel vizinho, M é o valor médio, T = umbral pré-definido. O valor médio para a região é atualizado para cada inserção de um pixel vizinho. O processo de crescimento é repetido iterativamente até que todos os pontos sejam considerados. A segmentação baseada no crescimento de regiões tem um alto grau de similaridade e não apresenta problemas de fragmentação. No entanto, tem duas fraquezas. Primero, dependendo da posição inicial das sementes pode-se ter diferentes resultados de segmentação. Segundo, requer-se muito tempo computacional. Assim, existem variantes desse algoritmo, onde as sementes são escolhidas automaticamente, melhorando os resultados [1][3] Divisão e fusão de regiões Esse tipo de segmentação divide recursivamente a imagem em áreas retangulares de forma hierárquica. Usa-se uma estrutura de dados geralmente em quadtrees, onde a raiz representa a imagem completa e os ramos, as regiões divididas. Essa divisão continua até que os quadrados s fiquem suficientemente homogêneos [8]. Esse método tem a desvantagem de ser incapaz de se adaptar às características da imagem. Uma melhoria para esse algoritmo é aplicar um método de divisão ótima [9]. Se um retângulo não é suficientemente homogêneo se seleciona uma posição de divisão ótima que conduzirá a sub-regiões mais homogêneas. Os cálculos nessa posição podem ser realizados eficientemente com a ajuda de prefixos de soma que aceleram o cálculo de somas globais em uma região quadrada. Uma estrutura de dados que nesse caso é uma árvore binária é usada para se manter a lista de regiões obtidas durante a fase de divisão. O principal interesse nessa divisão é que a divisão seja adaptada às características da imagem, ou seja, deve-se reduzir o número inicial de regiões a fim de diminuir o custo computacional. No método de segmentação proposto em [2][9], depois da fase de segmentação se obtém um conjunto de regiões homogêneas às quais se associa una única etiqueta. Cada região tem referência de seus vizinhos. Utiliza-se uma árvore binária para manter a lista de regiões. As folhas da árvore

3 correspondem às regiões homogêneas. Na fase de fusão cada região é fundida com regiões contíguas de nível homogêneo. O processo se repete até que já não se possam fundir mais regiões. Uma das vantagens desses algoritmos é que a resolução usada para o nível de divisão é determinada pelo usuário. Pode-se decidir o critério de divisão para as imagens, ou seja, a variação do pixel segmentado, sendo que o critério de mistura pode ser diferente do critério de divisão Segmentação não supervisionada de regiões (cor, textura) em imagens e vídeo (JSEG) O conceito dos algoritmos JSEG (J-Segmentação) é separar o processo de segmentação em duas partes: equalização de cor e segmentação espacial. Uma consideração para segmentar as imagens com texturas é considerar a disposição espacial dos pixels usando uma técnica de crescimento de regiões mediante a qual um modo de homogeneidade é definido com pixels agrupados na região segmentada. Por outro lado, se deve de considerar diferentes escalas de imagens. O algoritmo JSEG segmenta imagens de cenas naturais de forma apropriada, sem ajuste de parâmetros manuais para cada imagem e simplifica a textura e cor. A segmentação com esse algoritmo passa por três etapas, chamadas de quantificação do espaço de cor, taxa de acertos em regiões e mistura de regiões com cores similares [10] [11]. Para esse enfoque se assume que cada região na imagem possui uma distribuição uniforme de padrões de cor e textura. A informação de cor de cada imagem pode ser representada por contagem das cores. Em geral, para a maioria de imagens coloridas de cenas naturais, as cores entre regiões vizinhas podem ser diferenciadas Baseados em agrupamento (Cluster) O agrupamento de dados é um dos métodos amplamente utilizado em segmentação de imagens e estatística. A ideia principal é o uso de centros de agrupamento para representar cada grupo e realizar a classificação com base na similaridade. De acordo com o algoritmo de agrupamento, pode-se classificar em dos tipos: hierárquico e particionai [12][13] Agrupamento hierárquico Existem dois enfoques no agrupamento hierárquico: de aglomeração e da divisão. O primeiro começa de abaixo para cima. O agrupamento começa com um cluster de menor hierarquia agrupando esses com outra até se obter a uma hierarquia maior. O segundo é de cima para baixo se começa com um cluster de maior hierarquia e se vai dividindo progressivamente até se obter um cluster de menor hierarquia Agrupamento particionai Um exemplo dessa abordagem é aplicar um algoritmo de agrupamento supervisionado K- means, por exemplo. Nesse caso, classificam-se os dados de entrada dos pixels em várias classes baseadas na distância. O algoritmo assume que as características dos dados formam um vetor espacial e procura encontrar um agrupamento natural neles. Os pontos são agrupados rodeando os centroides que são obtidos por minimização do objetivo [12][14] Mistos Transformação divisória (WaterShed) Esses algoritmos estão baseados na morfologia matemática, que permite extrair as bordas que existem na imagem. Também é considerada uma técnica de segmentação baseada em regiões. Os pixels são classificados de acordo com suas proximidades espaciais, gradiente de seus níveis de cinza e homogeneidade de suas texturas [15][16]. O objetivo principal desse algoritmo é encontrar as linhas divisórias em uma imagem para separar as diferentes regiões. A

4 ideia é imaginar que os valores dos pixels de uma imagem como sendo um gráfico topográfico em 3D, onde x e y denotam as coordenadas do plano, e z denota o valor do pixel (altura do terreno). O algoritmo começa por preencher o gráfico topográfico com água desde a bacia mais baixa (valor mínimo local) até o pico mais alto. Nesse processo, os objetos resultantes da segmentação correspondem aos mínimos do gradiente morfológicos e aos contornos das linhas divisórias. 3. Conclusão Este artigo faz parte de um projeto de pesquisa para identificação e localização de placas de veículos em uma imagem. As técnicas básicas de segmentação tais como as baseadas no umbral, detecção de bordas e baseadas em regiões podem ser usadas para a localização e segmentação da placa em condições ótimas. No entanto, surge um problema em condições não ótimas tais como placa não alinhada ou placas deterioradas devido à acidente ou por circular em vias rurais em condições extremas. Nesse caso deve-se fazer uso de métodos mais avançados. Referências [1] Y. Wang, Tutorial: Image Segmentation, disp.ee.ntu.edu.tw, pp [2] Y. J. Q. Chen, L. Zhao, J. Lu, G. Kuang, N. Wang, Modified two-dimensional Otsu image segmentation algoritnm and fast realisation. IET Image Processing Received on 16th November 2009 Revised on 20th June 2010 doi: /iet-ipr , [3] M. Mart, Técnicas Clásicas de Segmentación de Imágenes, no. 1, pp. 1 23, [4] J. O. Carrión, Reconocimiento de caracteres de una placa de automóvil mediante redes neuronales artificiales utilizando Matlab., Escuela Politecnica del Ejercito, [5] P. Francisco, Atención Visual Activa Para Interacción Humano Robot, Castilla-la Mancha, [6] M. Juneja and P. Sandhu, Performance evaluation of edge detection techniques for images in spatial domain, methodology, vol. 1, no. 5, pp , [7] N. Khalid and S. Ibrahim, Seed-based region growing study for brain abnormalities segmentation, Information Technology, pp , [8] S. L. Horowitz and T. Pavlidis, Picture Segmentation by a Tree Traversal Algorithm, Journal of the ACM, vol. 23, no. 2, pp , Apr [9] K. Aneja, F. Laguzet, L. Lacassagne, and A. Merigot, Video-rate image segmentation by means of region splitting and merging, 2009 IEEE International Conference on Signal and Image Processing Applications, pp , [10] L. C. Lulio, M. L. Tronco, and A. J. V. Porto, JSEG-based image segmentation in computer vision for agricultural mobile robot navigation, 2009 IEEE International Symposium on Computational Intelligence in Robotics and Automation - (CIRA), pp , Dec [11] B. S. Manjunath and H. Shin, Color image segmentation, Proceedings IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Cat. No PR00149), pp

5 [12] D. Pascual, F. Pla, and S. Sánchez, Algoritmos de Agrupamiento, Departamento de Computación, [13] E. Vidal, A. Juan, R. Paredes, and J. Civera, Aprendizaje y Percepción, [14] S. Tatiraju and A. Mehta, Image Segmentation using k-means clustering, EM and Normalized Cuts, University Of California Irvine, [15] C. Yu and Y. Li, A Watershed Method for MR Renography Segmentation, 2012 International Conference on Biomedical Engineering and Biotechnology, vol. 0, pp , May [16] N. Palomino and L. Concepción, Watershed: un algoritmo eficiente y flexible para segmentación de imágenes de geles 2-DE, RISI, vol. 7, no. 2, pp , 2010.