[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações

Transcrição

1 [2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016

2 Assunto Aula 4 Segmentação de Imagens 2 de 30

3 Sumário Introdução à Segmentação de Imagens; Pré-processamento: Melhoria de Contraste; Remoção de Ruído; Segmentação de Imagens: Detecção de descontinuidade; Baseadas em Limiar; Baseados em Região; Métodos Híbridos; 3 de 30

4 Introdução à Segmentação de Imagens A segmentação de imagens subdivide uma imagem em regiões ou objetos; É uma etapa fundamental para o processo de análise e extração de características de uma imagem; Um ser humano pode facilmente identificar regiões em uma imagem, no entanto o computador por muitas vezes necessita de algoritmos complexos; Assim, o processo de segmentação é o processo de Agrupamento dos pixels pertencentes a um mesmo objeto ou região ; Entre as técnicas de segmentação, temos: Detecção de descontinuidade; Baseadas em Limiar; Baseados em Região; 4 de 30 Métodos Híbridos;

5 Introdução à Segmentação de Imagens Entretanto as técnicas de segmentação sofrem com defeitos presentes nas imagens. Os defeitos mais comuns são: Ruídos na aquisição; Ambientes descontrolados; Baixa qualidade de sensores; Para eliminar este tipo de defeito, utilizamos técnicas de pré-processamento, como: Melhoria de Contraste; Remoção de Ruído; 5 de 30

6 Pré-processamento Melhoria de Contraste: Uma imagem capturada pode apresentar baixo contraste - as intensidades não são bem distinguíveis; Quando uma imagem apresenta uma pequena variação nos níveis de intensidade, a identificação de objetos fica comprometida. A maioria das técnicas de melhoria de contraste são baseadas no histograma de intensidade da imagem. O histograma indica o percentual de pixels de uma imagem em determinada tonalidade. 6 de 30

7 Pré-processamento Tabela: Imagem e Histograma 7 de 30

8 Pré-processamento Tabela: Imagem e Histograma 8 de 30

9 Pré-processamento 9 de 30 Tabela: Alta e baixa tonalidade pelo histograma

10 Pré-processamento Existem duas técnicas baseadas em histograma que proporcionam a melhoria de contraste: Escala ou Normalização de Histograma; Equalização de Histograma; 10 de 30

11 Pré-processamento Normalização: Um histograma normalizado de uma imagem com RC pixels é uma função de distribuição de probabilidade, para cada nível de cinza, a probabilidade é: P r (r k ) = n k RC sendo k cada um dos tons entre 0 e r max 11 de 30

12 Pré-processamento Equalização: Um método simples para a equalização do histograma de uma imagem R x C com L níveis de cinza é proporcionado pela transformação (s a o novo tom, r o tom antigo, L o total de tons, RC resolução da imagem): s = T (r) = round ( L 1 RC ) r n l No ImageJ a Equalização de Histograma é realizada por meio da função Process - Enhance Contrast l=0 12 de 30

13 Pré-processamento 13 de 30

14 Pré-processamento Remoção de Ruído: O uso de Filtros tem várias finalidades, entre elas: Ampliar o Contraste; Eliminar ruídos; Melhorar o foco; Acentuar características; Filtro de Suavização: Tem a função de redução das variações nos níveis tonais, estas variações dão aparência de serrilhado (detalhes); Este tipo de filtro tende a minimizar ruídos, porém a imagem perde nitidez; Exemplos: Filtro de Média, Mediana (bom para ruídos com grandes amplitudes e irregulares) e Gaussiano (preserva contornos). 14 de 30

15 Pré-processamento Tabela: Imagem original e com filtro de média com 10px 15 de 30

16 Pré-processamento Remoção de Ruído: Filtro de Acentuação: Estes filtros realçam a imagem, mas podem causar ruído; São muito utilizados para reconhecer bordas dos objetos. Filtro de Gradiente e Sobel. 16 de 30

17 Pré-processamento Tabela: Imagem original e com filtro de acentuação 17 de 30

18 Pré-processamento Tabela: Imagem original e com filtro de Sobel 18 de 30

19 Métodos baseados em Descontinuidade Métodos baseados em Descontinuidade: Consideram o fato de que entre duas regiões existem uma fronteira; A ideia é detectar descontinuidades significativas que representam as bordas de uma região. Um exemplo é o uso da técnica do gradiente (intensifica as variações tonais), no entanto é afetado por ruído ou iluminação não uniforme; 19 de 30

20 Métodos baseados em Descontinuidade Tabela: Usando o método do gradiente é possível identificar pontos e a direção das bordas 20 de 30

21 Métodos baseados em Limiar Métodos baseados em Limiar: Propriedades Intuitivas; Simplicidade; Velocidade Computacional; A ideia é separar os objetos usando um limiar de divisão claro/escuro. O limiar pode ser encontrado manualmente, ou com o uso de técnicas como: Otsu Thresholding (maximiza a razão da v ariância entre as classes e a variância total) K-means (Dado um valor de K os pixels são agrupados por similaridade) 21 de 30

22 Métodos baseados em Limiar Tabela: Exemplo de limiares com diferentes histogramas 22 de 30

23 Métodos baseados em Limiar Tabela: Diferentes imagens e características dos histogramas para detectar um limiar 23 de 30

24 Métodos baseados em Região Diferente do método do gradiente que utilização bordas, os métodos usam propriedades similares entre áreas, exemplo: Informação Semântica; Textura; Cor; Diferente de técnicas baseadas em limiares do histograma, a segmentação por região utiliza a imagem e sua distribuição espacial. Entre as técnicas mais utilizadas, temos: Crescimento de regiões; Watershed ( divisor de águas ); 24 de 30

25 Métodos baseados em Região Tabela: Watershed 25 de 30

26 Métodos Híbridos Os métodos híbridos na segmentação de imagens utilizam conceitos estatísticos e de Inteligência Artificial. Um exemplo é o uso de um algoritmo de aprendizado de máquina (SVM) para a segmentação por crescimento de região. 26 de 30

27 Comparação dos Métodos 27 de 30

28 ImageJ Plugin para Watershed: Otsu Thresholding: 28 de 30

29 Aula 4 - Lista de Exercícios Exercícios Considerando as questões abaixo, crie um relatório com o fluxo de passos executados e apresente a imagem final obtida. 1. Usando a imagem img1.png, segmente as regiões de gordura e músculo. Crie um arquivo de imagem para a regiões com a gordura e outro para a região com o músculo. 2. Usando a imagem img2.jpg, segmente o fundo da imagem, isolando somente a amostra de carne (gordura e músculo) em um novo arquivo. Esta imagem apresenta baixo contraste. 3. Usando a imagem img3.jpg, segmente o fundo da imagem, isolando somente a amostra de carne (gordura e músculo) em um novo arquivo. Esta imagem apresenta problemas de ruído. 4. Usando a imagem img4.jpg, segmente o fundo da imagem, isolando somente a amostra de carne (gordura e músculo) em um novo arquivo. Esta imagem apresenta problemas de foco. 29 de 30

30 Referências CONCI, A., AZEVEDO, E., and LETA, F., Computação Gráfica, Volume 2 (2008) 30 de 30