UM NOVO MÉTODO DE SEGMENTAÇÃO DE IMAGEM COM ABORDAGEM BASEADA EM BORDAS E REGIÕES A New Image Segmentaton Method Based on Edge and Regon Detecton Rogéro Galante Negr 1 Marcus Fabano Saldanha Slva 1,2 1 Insttuto Naconal de Pesqusas Espacas - INPE Dvsão de Processamento de Imagens - DPI Av. dos Astronautas, 1.758 12227-010 São José dos Campos SP Brasl rogero@dp.npe.br saldanha@dp.npe.br 2 Dretora de Servço Geográfco - DSG Quartel General do Exércto, Bloco F, 2º Pso, Setor Mltar Urbano 70630-901 Brasíla DF Brasl RESUMO Uma das prncpas fontes de nformações de dados espacas são as magens obtdas por sensoramento remoto. Os recentes avanços tecnológcos têm proporconado o desenvolvmento ento de novos satéltes, os quas são capazes de realzar meddas mas precsas e, untamente com o aumento na quantdade ade de satéltes em órbta a dsponbldade das magens de sensoramento remoto tem aumentado. Estes fatos, por sua vez, têm motvado o desenvolvmento de novos métodos para o processamento e extração de nformações sobre tas magens. Dentre esses métodos destaca-se a segmentação de magem. Concetualmente, a segmentação de magem é fundamentada em característcas da fotonterpretação humana, que permtem a dstnção entre dferentes alvos dstrbuídos ao longo de uma magem. Neste contexto, este trabalho apresenta um novo método de segmentação de magens que ntegra concetos de segmentação baseados em detecção de bordas e regões. Uma análse comparatva a entre os métodos proposto e o método Crescmento de Regões é conduzda sobre dos estudos de caso que envolvem vem dados reas e smulados. Os resultados obtdos mostram que o método proposto neste estudo apresenta melhores índces de auste quando é permtda a segmentação de alvos com pequenas dmensões. Palavras chaves: Segmentação de Imagem, Detecção de Bordas, Detecção de Regões, Smulação. ABSTRACT Today, the remote sensng mages are one of the man sources of spatal data nformaton. The recent technologcal advances had provded better sensors and the ncrease n the launch of new satelltes ncreased the avalablty of remote sensng mages. These facts has motvated the development of new methods to process and extract nformaton from such mages. One of these methods s known as mage segmentaton. Conceptually, the mage segmentaton s based on characterstcs of human photonterpretaton, whch allow dstngushng the dfferent targets dstrbuted over the mage. In ths context, ths paper presents a new method of mage segmentaton whch ntegrates concepts of edge and regons detecton. A comparatve analyss of the proposed method and the Regon Growth method s conducted on two study cases nvolvng real and smulated mages. The results obtaned show that the proposed method provdes better ft when are allowed the segmentaton of targets wth small dmensons. Keywords: Image Segmentaton, Edge Detecton, Regon Detecton, Smulaton. 1. INTRODUÇÃO Atualmente, dversos campos da atvdade humana têm recorrdo a magens da superfíce terrestre para obter nformações a respeto desta. Com os recentes avanços tecnológcos em sensoramento remoto, é cada vez maor a quantdade de fontes de nformação sobre a Terra. Este número crescente de fontes de nformação assocado à aqusção contínua de dados resulta na Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 1
geração de volumosos aglomerados de dados, ntroduzndo consequentemente dfculdades em sua manpulação, nterpretação e extração de nformações útes. Isso torna mportante o desenvolvmento de métodos e ferramentas que vsem organzar e analsar os dados de forma automátca. A smplfcação da representação é uma das questões centras relaconadas à extração de nformações sobre as magens de sensoramento remoto. Um exemplo de smplfcação consste no partconamento da magem em regões homogêneas. Esta abordagem compreende, de modo geral, os métodos de segmentação de magem. Estes métodos podem realzar o processo de dentfcação de regões de dferentes manerasea a partr da dentfcação das bordas que delmtam as regões, pelo agrupamento de pxels semelhantes ou mesmo defnndo lmares para separação de pxels. A utlzação dos métodos de segmentação de magens nas aplcações em geoprocessamento enfatza a delmtação de regões, por exemplo, florestas, estradas, ros, áreas agrícolas, etc. Devdo às dversas fnaldades e tpos de magens dsponíves, não exste um método global para segmentação de magens. Este fato motva o constante estudo e desenvolvmento de dferentes métodos de segmentação. Neste enfoque, este trabalho apresenta um novo método automátco de segmentação de magem, o qual é fundamentado em concetos de detecção de bordas e agrupamento entre pxels. A detecção das bordas é conduzda a partr de uma função de dferencação. O resultado desta dferencação fornece um arrano espacal para realzação de um processo de agrupamento entre pxels. Tal processo de agrupamento consste no prncpal dferencal do método proposto. osto. 2. SEGMENTAÇÃO DE IMAGENS 2.1. Vsão geral sobre segmentação de magens A segmentação de magem é um mportante método utlzado em problemas de análse de magens. Suas aplcações varam desde o controle de qualdade ndustral à medcna, navegação de robôs, aplcações mltares, exploração geofíscaensoramento remoto, etc (CUFÍ et al., 2002. Devdo a sua mportânca, o desenvolvmento de algortmos mas precsos e confáves torna-se uma necessdade. O obetvo da segmentação é partconar a magem em um conunto de regões vsualmente dstntas e unformes com relação a alguma propredade, como o nível de cnza, textura ou cor (ROSENFELD; KAK, 1982. Conforme estruturado por Gonzalez e Woods (2002, os métodos de segmentação de magem baseam-se em duas propredades báscas dos pxels com relação a sua vznhança local: descontnudade e smlardade. Quando fundamentados nas propredades de descontnudade dos pxels, os métodos de segmentação são denomnados baseados em bordas, á quando fundamentados nas característcas de smlardadeão denomnados baseados em regões. A abordagem baseada em bordas usa o postulado que mudanças no nível de cnza dos pxels acontecem quando exste um lmte entre duas regões. A detecção de zonas de frontera entre regões é usualmente realzada por operações de dferencação de prmera ordem, por exemplo, através dos fltros de gradente Sobel (SOBEL, 1970 e Roberts (ROBERTS, 1965. A vantagem essencal da abordagem baseada em bordas refere-se a sua arqutetura e facldade de mplementação. Em contrapartda, uma das prncpas lmtações desta abordagem procede da manera como as bordas são dentfcadas, as quas geralmente não correspondem aos lmtes verdaderos dos obetos e é suscetível a dentfcação de bordas falsas (ACHARYA; RAY, 2005. Por outro lado, a abordagem baseada em regões tenta solar áreas da magem que são homogêneas segundo determnadas característcas. Para sso, os pxels são submetdos a um processo de agrupamento. Durante o processo de segmentação, as áreas canddatas datas podem aumentar de tamanhoerem comprmdas, dvddas, cradas ou elmnadas. Dentre dferentes métodos de segmentação baseado em regões, o Crescmento de Regões (Regon Growng, ntroduzdo em Zucker (1976, é um dos mas populares (WAN; HIGGINS, 2003; ROSE et al., 2010. A segmentação por Crescmento de Regões parte da seleção de pxels aleatóros, denomnados sementes,,de onde crescem as regões a partr da unão de pxels vznhos que são smlares de acordo com determnado crtéro. Este crtéro, também denomnado por Predcado, geralmente é um valor lmte adotado para determnar se um pxel deve pertencer a uma regão ou para comparar a smlardade de duas regões. Nestas comparações podem ser observados atrbutos como a ntensdade méda das regõesua varânca, textura, tamanho, forma, etc. Uma dscussão apurada sobre o método Crescmento de Regões e dferentes tpos de Predcados é apresentada em Besl e Jan (1988. Dentre dferentes qualdades, o método Crescmento de Regões é capaz de proporconar bons resultados de segmentação mesmo em magens com ruído, permte o uso de dferentes crtéros e é pouco sensível aos pxels semente utlzados. Por outro lado, este método é computaconalmente custoso, a varação de ntensdade na magem geralmente provoca supersegmentação, e as regões segmentadas tendem a ser fragmentadas. Andaegundo Chang e Chen (2008, o método Crescmento de Regões consdera apenas a homogenedade das regões para o delneamento dos lmtes das mesmas durante o processo de segmentação. Esta característca pode ser observada como uma fragldade ou desvantagem do método, uma vez que resultados nadequados podem ser produzdos. Dessa forma, devdo a dferentes comportamentos que as magens podem apresentar, os métodos de segmentação tendem a falhar na geração de resultados acurados. Uma solução a este problema é Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 2
proposta com a ntegração de métodos baseados em bordas e regões (TABB; AHUJA, 1997; PAVLIDIS; LIOW, 1990; SINGH et al. 2011. 2.2. Métrcas para avalação de segmentação Para avalação dos resultados de segmentação, as meddas quanttatvas apresentadas em Delves et al. (1992 são uma opção. Estas meddas baseam-se nas dferenças entre a magem segmentada e seu respectvo resultado esperado, denomnado por magem de referênca. Segundo Delves et al. (1992, a prmera etapa da avalação de uma segmentação consste na comparação de regões detectadas na magem segmentada e na magem de referênca. O coefcente de auste entre as regões da segmentação de referênca e suas respectvas regões segmentadas pode ser calculado por crtéros de posção, valor médo dos pxels da regão, dmensão e forma. De modo formaleam R e S as magens de referênca e segmentada, compostas por m lnhas e n colunas e partconadas respectvamente em k e l regões. Denotando as regões de R por r, = 1,..., k, assm como as regões de S por s, = 1,..., lão defndas as seguntes meddas entre regões: x ( r x ( s ( r (1 m y ( r y ( s ( r (2 n d( r d( s ( r (3 d( r d( s v ( r v ( s ( r (4 v ( r v ( s onde d(t é a quantdade de pxels de uma dada regão t, enquanto x (t, y (t e v (t são respectvamente os valores médos das abscssas, ordenadas e do nível de cnza dos pxels de t. Sobre estas meddasão defndas as matrzes: G g, g k, l, d r s : (5 d r s F f, : f k l,, r r 0,5 r r g, (6 A matrz G descreve os pares de regões com pxels comuns, determnados entre as magens segmentada e de referênca, dá uma relação entre o número de pxels nas ntersecções destes pares de regões e provê o número total de pxels em cada um destes pares. Já a matrz F fornece a medda de auste entre regões, consderando o tamanho, posção, forma e valor do nível de cnza das mesmas. Para cada regão r da magem de referênca R, exste uma regão s em S cuo valor f, é mínmo, denomnada regão austada. Após dentfcadas as regões austas da magem segmentada, a qualdade da segmentação pode ser computada a partr das seguntes meddas de auste: ( r ( r 1 (7 2 Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 3 M pos ( r M M val dm ( r 1( r (8 ( r 1 ( r (9 M for r g, ( (10 Estas meddas quantfcam o auste ndvdual de cada regão. Para representar o auste das regões de forma global, é computada a méda artmétca dos austes s ndvduas segundo cada uma das meddas. Assmão obtdas as meddas M pos, M val, M dm e M for, que quantfcam am respectvamente os austes de posção, nível de cnza, dmensão e forma das regões. Estas meddas estão contdas no ntervalo [0,1]endo 0 o por nível de auste e 1 o melhor. Anda, é possível defnr uma medda geral de auste das regões, computando a méda das meddas M pos, M val, M dm e M for, ou sea: M geral M pos M val M dm M for (11 4 3. O MÉTODO DE SEGMENTAÇÃO PROPOSTO 3.1. Concepção do método proposto Como menconado, uma solução para determnadas fragldades encontradas nos métodos baseados em bordas e regões derva da ntegração de ambas as abordagens. Nesta subseção é ntroduzdo um novo método de segmentação baseado em concetos de detecção de bordas e regões. Essencalmente, este método consste em detectar as bordas das regões que compreendem a magem a ser segmentada. Respetando a delmtação mposta pelas bordas dentfcadas, ocorre a detecção das regões. A detecção das bordas é realzada por um processo de dferencação, aplcado sobre cada pxel da magem. O produto desta etapa é uma magem de gradentes, cuos lmtes entre regões possuem valores mas elevados com relação aos nterores das mesmas. Sobre a magem de gradentes é conduzda a dentfcação das regões. Para sso, é efetuado um processo de agrupamento entre os pxels da magem de gradentes que são adacentes entre s e possuem valores abaxo de um dado lmar. O valor deste lmar é alterado de forma ncremental ao longo do processo de
segmentação, em função de um parâmetro defndo pelo usuáro. O ncremento gradatvo deste lmar mplca no aumento do número de pxels para agrupamento, e consequentemente, proporcona o surgmento de novas regões ou a expansão de regões á exstentes. A dscussão apresentadas ntroduz os prncpas concetos do método automátco de segmentação de magens proposto. Verfca-se a partr desta dscussão que a dentfcação das regões é um processo adaptatvo, guado pelos valores da magem de gradentes e um lmar que aumenta gradatvamente durante a segmentação. Esta característca denomna o método por Lmarzação Adaptatva. A subseção segunte apresenta formalmente as etapas do método proposto. 3.2. Formalzação do método A prmera etapa realzada pelo método de segmentação proposto consste na dentfcação das bordas das regões da magem a partr de um processo de dferencação. Este processo é realzado com a aplcação de uma função sobre os pxels da magem. Para sso, é utlzada a nformação de apenas uma únca banda da magemeleconada a pror pelo usuáro, caso a mesma possua mas que uma banda. Formalmenteea {B} p=1,...,m;q=1,...,n, uma banda de uma dada magem I, composta por m lnhas e n colunas. O processo de dferencação é realzado com a aplcação da segunte função: f ( bp, q max bp u1, qv b 1 pu2, qv2 u1, u2; v1, v2 onde b p,q é um dado pxel de B, com u k U U (12e} { 2,, 2 } e v k { V 2,, V 2} para k gual a 1 ou 2, endo U e V as dmensões da vznhança. Como á menconado, o resultado da aplcação desta função é denomnada magem de gradentes. A Fgura 1 exemplfca um produto gerado pela aplcação de (1 sobre uma magem do satélte GeoEye adotando U e V guas a 2 (.e. anela de dmensão 3 3. Nesta magem de gradentes a dentfcação das bordas que delmtam os dferentes alvos é mas vsível com relação à magem orgnal. Fg. 1 Imagem de gradentes. Resultado da operação para dentfcação dos lmtes das regões. Exemplo realzado sobre magem GeoEye do Estádo Ells, Johannesburg - Afrca do Sul (http://www.geoeye.com/corpste/gallery/. O próxmo procedmento consste na dentfcação das regões a partr da magem de gradentes. Para sso, determna-se que as regões devem ser expanddas a partr dos pxels da magem de gradentes cuos valores estão abaxo de um dado lmar. Este lmar, denotado por L, corresponde ao valor da magem de gradentes que separa os % menores valores dos demasendo um parâmetro defndo pelo usuáro. Após o calculo de L, é seleconado aleatoramente um dado pxels da magem de gradente cuo valor é nferor a este lmar. Tal pxel consste em uma semente de uma regão. Esta regão, ncalmente composta por um únco pxel, é expandda a partr do agrupamento com pxels vznhos. O agrupamento consste em unr em uma mesma regão os pxels da magem de gradentes que são adacentes (.e. os elementos da vznhança 8 a quasquer pxel de uma dada regão e cuo valor é nferor ou gual a L. Formalmente, a expansão de uma dada regão s a partr do processo de agrupamento é denotado por: : b s ; ( p, q ( u, v Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 4 s s b bp p,, q u, u, v b p, q L 2 (13 O processo de agrupamento acontece até que não sea mas possível agregar pxels a uma dada regão. Neste caso, é seleconado um novo elemento da magem de gradentes que sea nferor a L e que anda não faça parte de nenhuma regão, ncando assm a expansão (agrupamento de uma nova regão. Este processo deve ocorrer até que todos os pxels da magem de gradentes com valor nferor ou gual a L pertençam a uma dada regão. Em seguda torna-se necessára uma atualzação do lmar. Para sso, é feto um ncremento no valor de, equvalente a seu valor ncal. Com o ncremento de, é defndo um novo L, que por sua vez torna dsponível para expansão, ou defnção de novas regões, um novo conunto de pxels da magem de gradentes. Os pxels deste conunto são seleconados aleatoramente e utlzados no processo de agrupamento. Cabe ressaltar que, quando um pxel é seleconado aleatoramente e o mesmo é vznho de algum pxel que á pertença a uma regão, o mesmo é automatcamente agregado a esta regão. Anda, quando o pxel seleconado é vznho de pxels pertencentes a dferentes regões, o mesmo deve ser assocado à regão cuo número de vznhos é maor. Na ocorrênca de empate, o pxel é assocado aleatoramente a uma das regões. Atualzações no valor de L são realzadas enquanto o valor de for menor ou gual a 100. Nota-se que é um parâmetro no método proposto que defne o número de atualzações de L que compreende o processo de segmentação. Por convenênca, este parâmetro pode ser obtdo pela razão endo o número de vezes que o lmar L é atualzado.
Ao fm do processo de segmentação é executada uma últma etapa, a qual consste em elmnar regões cua dmensão sea nferor a um valor defndo de Área Mínma. Este valor é outro parâmetro para o processo de segmentação. A ordem de elmnação das regões acontece em função de suas dmensõesendo elmnadas prmeramente as regões menores. Para elmnação de uma regãoão verfcadas todas as regões vznhas (.e. possuem frontera. Em seguda são calculadas as dstâncas eucldanas entre a regão a ser elmnada e suas vznhas. Esta dstânca é baseada no valor médo dos pxels das regões com relação à magem orgnal. A elmnação de regões pequenas é um procedmento usualmente realzado pelos métodos de segmentação. O método de segmentação por Crescmento de Regões, por exemplo, utlza este processo. A Fgura 2 lustra de forma smplfcada o processo de agrupamento sobre uma magem de gradentes fctíca (Fgura 2.a. Na Fgura 2.b o lmar ncal equvale ao mas baxo nível da escala de dferenças absolutas, que por sua vez defne quatro regões dferentes, ndexadas por 1, 2, 3 e 4. O ponto no canto superor esquerdo de alguma das células dentfca o pxel semente que deu orgem a regão. Na Fgura 2.c, com o ncremento no valor do lmar, o mesmo passa a equvaler ao tercero nível da escala de valores de dferenças absolutas. Este lmar, por sua vez, proporcona o surgmento das regões 5 e 6. Nota-se que estas regões são compostas por pxels de dferentes entes valores (cores, uma vez que para defnção de uma nova regão é necessáro que exstam pxels que não pertençam a nenhuma regão e cuo valor na magem de gradentes sea menor ou gual que lmar ar defndo. Por fm, na Fgura 2.d, após um novo ncremento no lmar, é alcançado o valor máxmo da escala. A regão 4 é expandda em função do pxel semente seleconado aleatoramente para ncar esta etapa. O mesmo acontece com a regão 6. Neste caso, o pxel seleconado está na vznhança de pxels das regões es 5 e 6, no entanto, o número de vznhos da regão 6 é maor. Com obetvo de organzar os concetos ntroduzdos ao longo desta seção, a Fgura 3 apresenta um fluxograma com as etapas do método de segmentação proposto. 4. EXPERIMENTOS REALIZADOS Nesta seção são realzadas análses comparatvas entre o método proposto e o método de segmentação por Crescmento de Regões (BESL; JAIN, 1988. Optou-se em utlzar o método Crescmento de Regões como referencal devdo sua populardade em dferentes aplcações envolvendo segmentação de magens. Esta análse comparatva é baseada em dos estudos de caso. O prmero estudo (Subseção 4.1 consste na aplcação de tas métodos sobre um conunto de dados smulados, enquanto o segundo estudo Prepr (Subseção 4.2 consste na aplcação em uma magem real de sensoramento remoto. A comparação é baseada nas métrcas de avalação de segmentação apresentadas na Subseção 2.2. Fg. 2 Exemplfcação do processo de agrupamento. Fg. 3 Fluxograma de etapas do método proposto. 4.1. Segmentação de magens smuladas Esta subseção apresenta um estudo comparatvo entre os métodos Lmarzação Adaptatva e Crescmento de Regões baseado em magens smuladas. Para sso, as Subsubseções 4.1.1 e 4.1.2 apresentam uma metodologa desenvolvda para geração de magens sntétcas. A Subsubseção 4.1.3 fundamenta-se na exposção e dscussão do desempenho dos métodos analsados na segmentação das magens sntétcas geradas. Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 5
4.1.1 Geração de segmentações smuladas O uso de magens smuladas permte a condução de expermentos controlados, sto é, expermentos cuo comportamento dos alvos é conhecdo a pror, além de permtr a realzação de avalações sem a nfluênca de uma magem partcular. Para construção do conunto de magens smuladas foram geradas ncalmente dferentes segmentações de magens. As regões das segmentações smuladas são então preenchdas com pxels que reproduzem o comportamento de alvos observados em magens reas de sensoramento remoto. Neste estudo fo elaborado um procedmento automátco para smulação de magens especfcas para segmentação. A prmera etapa deste procedmento requer a defnção das dmensões das magens smuladas. Para este estudo a dmensão defnda fo de 150 150 pxels. Em seguda, a área de 150 150 pxels é preenchda com valores aleatóros segundo uma dstrbução de probabldade unforme, com valores entre 0 e 1. Após esta etapaão seleconados aleatoramente pxels desta magem de valores randômcos. Cada pxel seleconado é nterlgado a um dos vznhos (pxels adacentes cuo valor de probabldade é maor. Por sua vez, o vznho seleconado é nterlgado a seu respectvo vznho de maor probabldade, e assm sucessvamente. Este procedmento é realzado repetdamente te até que sea seleconado um pxel que á fo utlzado anterormente, e então, uma nova posção é seleconada aleatoramente. O processo descrto é fnalzado quando o número de pxels seleconados totalza 5% da área de 150 150 pxels. O conunto dos pxels seleconados é responsável por defnr apenas as bordas das regões da segmentação smulada. A Fgura 4.a apresenta as bordas de uma segmentação smulada, enquanto as respectvas regões são mostradas na Fgura 4.b. (a (b Fg. 4: Smulação de magens segmentadas. Em (a são defndas as bordas das regões, á em (b é realzada a consoldação das regões a partr das bordas defndas. 4.1.2 Geração de magens smuladas Após a smulação das segmentações, conforme apresentado na Subsubseção 4.1.1, torna-se necessáro smular o comportamento de suas regões. Reproduzr o comportamento de alvos reas é uma manera de realzar tal smulação. Sob esta consderação, foram seleconados dferentes tpos de cobertura da terra em uma magem LANDSAT-5 TM adqurda em 26 de setembro de 2010, referente uma regão localzada ao longo da rodova BR-163, próxma à Floresta Naconal do Tapaós, no Estado do Pará. A seleção desta regão é ustfcada pelo conhecmento de dferentes tpos de cobertura da terra exstentes no local, devdo a um levantamento de campo conduzdo no mesmo período da aqusção da magem. Para smulação do comportamento das regões foram consderados 13 tpos dferentes de cobertura da terra, os quas são ctados na Tabela 1 e dentfcados na Fgura 5. Para cada regão das segmentações smuladas é assocado aleatoramente um tpo de cobertura da terra. Esta regão é preenchda com valores gerados por uma dstrbução Gaussana cuos parâmetros méda e varânca são estmados a partr de amostras referentes ao tpo de cobertura de terra assocada. Cabe ressaltar que os métodos avalados neste estudo utlzam apenas uma banda espectral para segmentação da magem. Dessa forma, fo utlzada apenas a banda 4 (nfravermelho rmelho próxmo, uma vez que esta proporcona a melhor dstnção entre os tpos de cobertura da terra dentfcados na magem adotada. A Fgura 6.b lustra uma magem smulada obtda com o preenchmento das regões da segmentação mostrada na Fgura 6.a segundo o comportamento dos dferentes tpos de cobertura da terra dentfcados na Fgura 5. Tabela 1: Tpos de cobertura da terra dentfcados na magem LANDSAT-5 TM Índce Tpo de cobertura da terra 1 Floresta prmára 2 Floresta Degradada 3 Regeneração nova 4 Pasto lmpo 5 Pasto suo 6 Pasto lmpo com palmera 7 Pasto suo com palmera 8 Solo exposto 9 Agrcultura de soa 1 10 Agrcultura de soa 2 11 Agrcultura de soa 3 12 Agrcultura de feão 13 Agrcultura em pouso Íp De acordo com Bustos e Frery (1992, nos estudos envolvendo expermentos com dados smulados, é necessáro realzar mlhares de repetções, vsando a obtenção de resultados com níves de qualdade acetáves. No entanto, devdo o custo computaconal exgdo pelos algortmos de segmentação, esta exgênca torna-se um fator lmtante. Assm, para este estudo fo gerado um conunto composto por 100 magens smuladas, provenentes de dferentes segmentações smuladas. Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 6
Fg. 5: Imagem LANDSAT-5 TM, banda 4, e amostras de cobertura da terra. Os índces lustrados relaconam as amostras com os tpos de cobertura da terra menconados na Tabela 1. (a (b Fg. 6: Imagem smulada (b obtda com o preenchmento das regões da segmentação (a segundo os dferentes tpos de cobertura da terra apresentados na Fgura 5. auste, expressa pela Equação (11. Após a execução das 100 segmentações, para uma dada confguração de parâmetros, fo computada a méda artmétca da medda geral de auste. Com sso, fo possível dentfcar os parâmetros que proporconam o melhor desempenho sobre todo o conunto de dados smulados. O gráfco apresentado na Fgura 7 lustra o desempenho do método de segmentação por Crescmento de Regões dante dferentes combnações de valores para os parâmetros Área Mínma e Predcado. Neste caso, é possível verfcar que quando o Predcado assume valores próxmos a 10, a medda de auste geral atnge valores mas elevados, ndependente do parâmetro Área Mínma. Já o gráfco da Fgura 8 lustra o desempenho do método Lmarzação Adaptatva segundo as combnações dos parâmetros Área Mínma e. De modo geral, o valor de que proporcona os maores índces de auste encontra-se próxmo de 4. Preprn Fg. 7: Desempenho dante dferentes confgurações de parâmetros do método Crescmento de Regões. 4.1.3. Análses comparatvas A prmera etapa executada para análse comparatva entre o método de segmentação por Crescmento de Regões e o método proposto refere-se ao auste dos parâmetros. Para sso, fo realzada uma busca exaustva em um ntervalo fxo de valores de parâmetros dos dferentes métodos analsados. O parâmetro Área Mínma, exgdo em ambos os métodos analsados, fo observado varando entre 10 e 300 em passos de tamanho 10. O efeto do parâmetro Predcado, usado no método Crescmento de Regões, fo observado no ntervalo de 5 a 200 em passos de tamanho 5. Já o parâmetro, exgdo pelo método Lmarzação Adaptatva, fo observado no ntervalo de 1 a 10 em passos de 0,5. Para cada confguração de parâmetros, em ambos os métodos, foram segmentadas todas as 100 magens do conunto de magens smuladas. Para cada segmentação realzada fo computada a medda geral de Fg. 8: Desempenho dante dferentes confgurações de parâmetros do método Lmarzação Adaptatva. Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 7
Sendo assm, fxando os valores de Predcado e guas a 10 e 4, respectvamente, é possível realzar uma avalação mas precsa dos métodos analsados em função do parâmetro Área Mínma. Nesta etapa da análse o conunto de magens smuladas fo segmentado consderando valores do parâmetro Área Mínma varando entre 100 e 3100 em ntervalos de 25. Para cada resultado de segmentação foram computadas as meddas M pos, M val, M dm e M for. Os gráfcos apresentados nas Fguras 9 a 16 exbem tas resultados. Para melhor comparação entre os dferentes métodos, fo adotada uma mesma escala de cor para cada medda de auste. Com esta padronzação, torna-se mas smples a verfcação vsual dos resultados. As Fguras 9 e 10 exbem o desempenho dos métodos segundo o auste de posção das regões. Com relação a esta prmera medda, o método Lmarzação Adaptatva alcançou melhores valores de auste, prncpalmente para valores pequenos de Área Mínma. Com relação a esta medda, a partr de valores próxmos a 1600, o método Crescmento de Regões tende a apresentar resultados nferores. Nas Fguras 11 e 12 são verfcados os desempenhos segundo o auste do nível de cnza das regões. Neste caso, o método Lmarzação Adaptatva sofre uma queda acentuada no desempenho com o aumento da Área Mínma, ao contráro do Crescmento de Regões, que embora também apresente uma dmnução no desempenho com o aumento de valor deste parâmetro, esta dmnução é mas amena. Verfca-se novamente que os melhores níves de desempenho do método Lmarzação Adaptatva encontram-se para valores baxos de Área Mínma. Os resultados sobre auste de dmensão são apresentados nas Fguras 13 e 14. Segundo esta medda, o método Lmarzação Adaptatva torna-se superor para valores de Área Mínma aproxmadamente entre 100 e 300. Porém, para valores maores, seu desempenho é crítco. Mas uma vez o método Crescmento de Regões mostrou-se menos sensível ao aumento da Área Mínma. Um comportamento muto semelhante aos resultados sobre o auste de dmensão é apresentado para o auste de forma, como exposto nas Fguras 15 e 16. Prepr Fg. 9: Desempenho do método Crescmento de Regões segundo a medda de auste de posção dante dferentes valores de Área Mínma. Fg. 10: Desempenho do método Lmarzação Adaptatva segundo a medda de auste de posção dante dferentes valores de Área Mínma. Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 8
Fg. 11: Desempenho do Crescmento de Regões segundo a medda de auste de nível de cnza dante dferentes valores de Área Mínma. Fg. 14: Desempenho do método Lmarzação Adaptatva segundo a medda de auste dmensão dante dferentes valores de Área Mínma. Fg. 12: Desempenho do método Lmarzação Adaptatva segundo a medda de auste de nível de cnza dante dferentes valores de Área Mínma. P epr Fg. 15: Desempenho do método Crescmento de Regões segundo a medda de auste de forma dante dferentes valores de Área Mínma. Fg. 13: Desempenho do método Crescmento de Regões segundo a medda de auste de dmensão dante dferentes valores de Área Mínma. Fg. 16: Desempenho do método Lmarzação Adaptatva segundo a medda de auste de forma dante dferentes valores de Área Mínma. Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 9
De acordo com os resultados apresentados, fo observado que o parâmetro Área Mínma nflu na qualdade dos resultados em ambos os métodosendo o Crescmento de Regões menos sensível. Por outro lado, para valores pequenos deste parâmetro, o método Lmarzação Adaptatva fornece no geral resultados mas acurados. Verfca-se anda que as maores dferenças entre os métodos analsados, consderando valores de Área Mínma abaxo de 1000ão dentfcadas pelas meddas de auste de dmensão (M dm e forma (M for. Como á menconado, o método Crescmento de Regões realza a delmtação das regões com base na homogenedade destas regões, o que o torna suscetível a determnação de lmtes mal defndos. Ao contráro, a delmtação das regões pelo método proposto está vnculada a magem de gradentes, o que pode garantr melhor auste na forma e na dmensão das regões segmentadas. de parâmetros para os métodos proposto e Crescmento de Regões. 4.2. Segmentação de magem de sensoramento remoto Nesta subseção é apresentada uma comparação entre os métodos Lmarzação Adaptatva e Crescmento de Regões na segmentação de uma magem real de sensoramento remoto. Para sso fo utlzada uma subárea de uma magem da área urbana de São José dos Campos SP, adqurda pelo satélte IKONOS em 27 de unho de 2007. Apenas a banda pancromátca fo utlzada. A escolha desta magem é ustfcada prncpalmente em função de sua alta resolução espacal (1 metro, que possblta ta a dentfcação vsual de dferentes alvos de forma precsa, permtndo assm a realzação de uma segmentação manual adequada. A Fgura 17 lustra a magem adotada e uma segmentação manual, defnda como segmentação de referênca, utlzada para comparação dos métodos segundo as métrcas de avalação de segmentação apresentadas as na Subseção 2.2. (a (b Fg. 18: Desempenho dante dferentes confgurações de parâmetros do método Lmarzação Adaptatva na segmentação da magem IKONOS (Fgura 17.a segundo a medda geral de auste. Fg. 19: Desempenho dante dferentes confgurações de parâmetros do método Crescmento de Regões na segmentação da magem IKONOS (Fgura 17.a segundo a medda geral de auste. Fg. 17: Subárea de magem IKONOS, vsualzada segundo a banda pancromátca, referente a cdade de São José dos Campos (a, e segmentação manual desta subárea (b. A partr desses dados, dferentes parâmetros de segmentação foram observados vsando obter os melhores índces de auste. Os gráfcos das Fguras 18 e 19 lustram os resultados das dferentes confgurações De acordo com os resultados de austes de segmentação apresentados nas Fguras 18 e 19, verfcase que o método Lmarzação Adaptatva alcança melhores resultados quando os parâmetros e Área Mínma equvalem a 5,5 e 30, respectvamente. Já o método Crescmento de regões atnge melhores índces de auste quando ambos os parâmetros Predcado e Área Mínma são guas a 20. Segundo tas confgurações de parâmetros, a Tabela 2 apresenta os valores das meddas de auste (.e. M pos, M val, M dm, M for e M geral obtdas por ambos os métodos. Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 10
Tabela 2: Meddas de auste obtdas na segmentação da magem IKONOS pelos métodos analsados Método M pos M val M dm M for M geral L. Adaptatva 0,98 0,94 0,78 0,40 0,78 Cresc. Regões 0,95 0,91 0,52 0,25 0,66 De acordo com os coefcentes de auste apresentados na Tabela 2, verfca-se que o método Lmarzação Adaptatva alcança melhores resultados, prncpalmente com relação as meddas de dmensão (M dm e forma (M for das regões segmentadas, como á verfcado nos expermentos da Subseção 4.1. Tas resultados de segmentação são apresentados na Fgura 20. (a (b comparado ao método Crescmento de Regões, desde que sea permtda a supersegmentação das magens. A produção de supersegmentações não deve ser entendda como uma defcênca, mas sm uma característca de determnados métodos de segmentação. Nas aplcações envolvendo segmentação, por exemplo, de áreas urbanas a partr de magens de sensoramento remoto de altíssma resolução, a utlzação de métodos capazes de produzr supersegmentações mas precsas torna-se uma característca deseável. Para estudos futuros, e o aprmoramento do método proposto, devem ser analsados novos meos mas precsos para detecção de borda dos alvos, estender o método tornando-o capaz de consderar múltplas bandas para o processo de segmentação e por fm, avalar outras estratégasea ela estatístca ou adhoc, usada no processo de elmnação de áreas que não atngem a dmensão mínma exgda, defnda pelo parâmetro Área Mínma. Fg. 20: Segmentações da magem IKONOS (Fgura 17.a segundo os métodos Lmarzação Adaptatva (a e Crescmento de Regões (begundo as confgurações. A segmentação gerada pelo método Crescmento de Regões dentfcou regões estretas, proporconando um efeto de borda dupla em algumas áreas, o que não é verfcado na segmentação obtda pelo método Lmarzação Adaptatva. No entanto, é possível observa-se que os lmtes das regões segmentadas pelo método Lmarzação Adaptatva apresentam maor snuosdade. Ao comparar a segmentação de referênca às segmentações geradas, é possível notar que o método Crescmento de Regões proporconou regões de sobresegmentação, como ocorre no canto nferor esquerdo da Fgura 20.b. Embora o problema de sobresegmentação não sea verfcado na Lmarzação Adaptatva, os lmtes das regões de menor área apresentam problemas de auste, o que é refletdo prncpalmente pela medda M for e pode ser verfcado vsualmente na Fgura 20.a. 5. CONCLUSÕES E PERSPECTIVAS Neste trabalho fo proposta um novo método de segmentação de magem, denomnada Lmarzação Adaptatva. Para valdação, foram realzados dos estudos comparatvos com o método Crescmento de Regões, o qual é amplamente dvulgado e usualmente empregado em dferentes aplcações. Os resultados apresentados mostraram que o método proposto alcança melhores índces de auste, AGRADECIMENTOS Os autores agradecem a CAPES pelo suporte fnancero. REFERÊNCIAS BIBLIOGRÁFICAS ACHARYA, T.; RAY, A. K. Image processng, prncples and applcatons. New Jersey: John Wley and Sons, 2005. PÁGINAS? BESL, P. J.; JAIN, R. C. Segmentaton through Varable-Order Surface Fttng. IEEE Transactons on Pattern Analyss and Machne Intellgence, p.167-192, 1988. BUSTOS, O.H.; FRERY, A.C. Smulação estocástca: teora e algortmos. Ro de Janero, IMPA, 1992. PÁGINAS? CHANG, L. Y.; CHEN, C. F. A Mult-Scale Regon Growng Segmentaton for Hgh Resoluton Remotely Sensed Images. Journal of Photogrammetry and Remote Sensng. v.13, n.2, p.158-164, 2008. CUFÍ, X.; MUÑOZ, X.; FREIXENET, J.; MARTÍ, J. A Revew on Image Segmentaton Technques Integratng Regon and Boundary Informaton. Advances n Imagng and Electron Physcs. Eds. HAWKES, P. W., Academc Press, v.120, p.1-39, 2002. DELVES, L.M.; WILKINSON, R.; OLIVER, C.J.; WHITE, R.G. Comparng the performance of SAR segmentaton algorthms. Internatonal Journal of Remote Sensng, v.13, n.2, p.2121-2149, 1992. Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 11
GONZALES, R. C.; WOODS, R. E. Dgtal mage processng. Addson-Wesley, New York, 2002. PÁGINAS? PAVLIDIS, T.; LIOW, Y. T. Integratng regon growng and edge detecton. IEEE Transactons on Pattern Analyss and Machne Intellgence, n.12, v.3, p.225 233, 1990. ROBERTS, L. G. Machne percepton of threedmensonal solds: optcal and electro-optcal nformaton processng. MIT Press, Cambrdge, Massachusetts, 1965. PÁGINAS? ROSE, J.; GREINER, T.; REVOL-MULLER, C.; ODET C. Unfyng varatonal approach and regon growng segmentaton. European Sgnal Processng Conference, p.1781-1785, 2010. ROSENFELD, A.; KAK, A. Dgtal pcture processng - vol. 2, Academc Press, Orlando, Florda, 2nd edton, 1982. PÁGINAS? SINGH, R.; SINGH J.; SHARMA, P.; SHARMA, S. Edge Based Regon Growng. Internatonal Journal of Computer Technology and Applcatons, n.4, v.2, p. 1122-11126, 2011. SOBEL, I. E. Camera Models and Machne Percepton, PhD thess, Electrcal Engneerng erng Department, Stanford Unversty, Stanford, Calforna, 1970. TABB, M.; AHUJA, N. Multscale mage segmentaton by ntegrated edge and regon detecton. IEEE transactons on mage processng,, n.6, v.5, p.642 655, 1997. WAN, S.; HIGGINS, W. Symmetrc Regon Growng. IEEE Transactons on Image Processng. v.12, n.9, p.1007-1015, 2003. ZUCKER, S. W.; Regon growng: Chldhood and adolescence, Computer Vson, Graphcs and Image Processng, v.5, p.382-399, 1976. Revsta Braslera de Cartografa N o XX/YY, 2012. (ISSN 0560-4612 12