Processamento de Imagens. Segmentação por regiões

Tamanho: px

Começar a partir da página:

Download "Processamento de Imagens. Segmentação por regiões"

Maria de Fátima Amorim Paixão
6 Há anos
Visualizações:

1 Processamento de Imagens Segmentação por regiões

2 Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em Modelos Multi-escala Redes Neurais

3 Segmentação Baseada em Região Métodos anteriores: achar bordas entre regiões E agora: encontrar as regiões diretamente presença de ruído difícil detectar bordas Conceito fundamental: Homogeneidade principal critério de segmentação

4 Segmentação por Região Idéia: Particionar uma imagem em sub regiões R 1, R 2, R 3,... R n

5 Homogeneidade Critérios de homogeneidade Nível de cinza Textura cor forma (shape) modelo (semântico): por exemplo um modelo de Markov

6 Propriedades P(R i ) : critério binário de avaliação de homogeneidade. Por exemplo: intensidades em R i entre 100 e 140.

7 Métodos por Crescimento de Regiões Agregação de pixels Fusão (Merging) Divisão (splitting) Divisão e Fusão (split-and-merge)

8 Agregação de Pixels Conjunto de sementes (seeds) Anexar a cada semente os vizinhos homogêneos (nivel cinza, textura, cor,etc) Qual critério de anexação? Valor absoluto da diferença entre a semente e o pixel vizinho < Threshold, por exemplo Conectividade (4-conectado ou 8-conectado). Ou seja, a região final é sempre conectada...

9 Agregação de pixels Procedimento que começa com um conjunto de pixels (sementes) sendo que novos pixels vizinhos com propriedades similares são adicionados. O objetivo é gerar regiões conectadas e uniformes a partir de cada semente. Um pixel é adicionado a uma região se: Ele não tiver sido designado para outra região Se ele for vizinho desta região Se a nova região criada pela adição do pixel continuar uniforme

10 Algoritmo Seja f uma imagem, e R 1, R 2,...R n um conjunto de regiões, onde cada uma possui um único pixel semente de nível de cinza seed. Repita: for ( i=1...n) for (cada pixel p na borda de Ri) for (todos os vizinhos de p) Seja x,y a coordenada do vizinho Se vizinho não rotulado e f(x,y)- seed <=D Adicione vizinho a Ri Até que mais nenhum pixel seja designado para regiões

11 Para D = 3

12 Fusão de regiões (Region Merging) Considere de início: Imagem original (raw image) onde cada pixel representa uma região Algoritmo: 1- Defina um método inicial capaz de segmentar a imagem em pequenas regiões segundo um critério P(R i ) 2 - Defina um critério de mesclagem p/ 2 regiões adjacentes 3 - Mescle todas as regiões adjacentes que satisfaçam o critério. Se não for possível mesclar, pare.

Exemplo Critérios 1. As sementes são todos os pixels com nível de cinza 255 2.

13 Exemplo Critérios 1. As sementes são todos os pixels com nível de cinza O valor absoluto da diferença de nível de cinza entre qualquer pixel e a semente deve ser menor do que O pixel deve ter conectividade-8 com pelo menos um pixel da região Imagem Raio-X usada na inspeção de solda; pontos brancos representam quebras e porosidade

14 Sementes e Homogeneidade Como nós escolhemos a(s) semente(s) na prática Depende da natureza do problema Se alvos precisam ser detectados usando imageamento infravermelho por exemplo, escolha os pixels mais claros (mais quentes) Sem um conhecimento a priori, calcule o histograma e escolha os valores de níveis de cinza dos picos mais fortes Como nós escolhemos o critério de similaridade (predicado)? Depende da natureza aplicação Se imagens coloridas estão disponíveis, a informação da cor pode ser usada Outras informações importantes: textura, forma e tamanho das regiões

Divisão - Region Splitting Oposto de region merging Imagem representa uma única região não satisfaz critério P(R i ) Critério de homogeneidade: variância da média dos NC objetivo: separar

15 Divisão - Region Splitting Oposto de region merging Imagem representa uma única região não satisfaz critério P(R i ) Critério de homogeneidade: variância da média dos NC objetivo: separar em regiões que satisfaçam o nos quadrantes atual e de critério P(R 1 U R 2 ) = False nível mais baixo da Split / Merge: s/ dualidade (segmentação pirâmide. ) Exemplo: um tabuleiro de xadrez.

16 Divisão e Fusão (split-and-merge) Combinação de ambos os métodos Representação de imagens em pirâmides: Quadtree Regiões têm formato quadrado

17 Estrutura Quad-tree

18 Algoritmo Divida a imagem em um conjunto de regiões Realizar a divisão e/ou fusão destas regiões novamente até que as regiões resultantes satisfaçam determinadas propriedades Procedimento de Divisão 1. Para qualquer região R i, se P(Ri) = Falso, divida R i em quatro quadrantes 2. Unir quaisquer regiões adjacentes R j e R k tal que P(R j U R k ) = Verdadeiro 3. Pare quando nenhuma divisão ou fusão for mais possível

19 Exemplo 1 R 1 P(R) = Falso R 1 = ok R = imagem inteira

20 Exemplo 2 a) Imagem Original b) Split/Merge c) Limiarização de (b)

Documentos relacionados

Aula 6 - Segmentação de Imagens Parte 2. Prof. Adilson Gonzaga

Aula 6 - Segmentação de Imagens Parte 2 Prof. Adilson Gonzaga 1 Motivação Extração do Objeto Dificuldades Super segmentação over-segmentation 1) Segmentação por Limiarização (Thresholding Global): Efeitos