Segmentao de Imagens

(Processamento Digital de Imagens)

1 / 36

Fundamentos
A segmentao subdivide uma imagem em regies ou objetos
que a compem;

nvel de detalhe depende do problema

segmentao para quando objetos de interesse ao problema so
detectados

A separao dos pixeis relativos a cada objeto, ou regio, uma

etapa fundamental para o sucesso do processo de anlise da
imagem;
Embora o ser humano possa facilmente identificar regies com as
mesmas caractersticas ou objetos presentes em uma imagem,
para se realizar a mesma tarefa com um computador deve-se
implementar algoritmos que analisem as caractersticas de cada
pixel ou da distribuio da populao de pixels.
2 / 36

Fundamentos
A segmentao um processo que particiona uma regio espacial
(imagem) R em n subregies, R1 , R2 , , Rn , de tal forma que:
Sn
i=1 Ri = R

cada pixel deve estar em uma regio

Ri um conjunto conectado, i = 1, 2, , n

pixels de uma regio devem estar conectados

Ri Rj = , para todo i e j, i 6= j

regies devem estar separadas

Q(Ri ) = VERDADEIRA para i = 1, 2, , n

propriedades que os pixels de uma regio devem cumprir (ex.:

intensidade)

Q(Ri Rj ) = FALSA para quaisquer regies adjacentes Ri e Rj

regies adjacentes devem ser diferentes na propriedade Q

3 / 36

Segmentao: exemplo

4 / 36

Conceito
O processo de agrupamento dos pixels pertencentes a um
mesmo objeto ou regio chamado de segmentao;
As tcnicas de segmentao de imagens podem ser classificadas
nas seguintes categorias:

deteco descontinuidades

tcnicas de limiar

mtodos baseados em regio

mtodos hbridos

5 / 36

Mtodos Baseados em Descontinuidades

Mtodos baseados em deteco de descontinuidades levam em
considerao o fato de que entre duas regies deve existir uma
fronteira;
Procura-se identificar descontinuidades significativas na imagem
que possam representar as bordas da regio;
A operao clssica: gradiente

intensifica variaes de tonalidade presentes resultando em uma

imagem com pixels mais intensos
permitindo a binarizao da imagem e a identificao dos
contornos

Problema na aplicao do gradiente:

obteno de regies com bordas abertas devido a rudos ou uso

de iluminao no uniforme no processo de aquisio da imagem
6 / 36

Gradiente de uma Funo Digital

Derivadas de uma funo digital so definidas por diferenas;
Tais aproximaes devem considerar que a derivada deve ser:

zero em res de intensidade constante;

zero no incio de um degrau ou rampa de intensidade;

diferente de zero ao longo de uma rampa de intensidade.

A derivada de primeira ordem de uma funo f (x) obtida

expandindo a funo f (x + x) em uma srie de Taylor,
assumindo x = 1 e mantendo apenas os termos lineares:
f
= f (x) = f (x + 1) f (x)
x
7 / 36

Gradiente de uma Funo Digital

8 / 36

Gradiente de uma Funo Digital

A melhor estratgia para o clculo de derivadas a utilizao de filtros
espaciais. Para um filtro 3 3:
R = w1 z1 + w2 z2 + + w9 z9
=

9
X

wk zk

k =1

9 / 36

Deteco de Pontos Isolados

Derivadas de segunda ordem consistem em boas tcnicas para a
deteco de pontos isolados;
Isso implica em utilizar o laplaciano:
2f
2f
+
x 2 y 2
= f (x + 1, y ) + f (x 1, y ) + f (x, y + 1)

2 f (x, y ) =

+ f (x, y 1) 4f (x, y )
A mscara utilizada pode ser estendida incluindo os termos
diagonais.
10 / 36

Deteco de Pontos Isolados

11 / 36

Deteco de Linhas
Para a deteco de linhas, as derivadas de segunda ordem resultem
em uma resposta mais forte e produzem linhas mais finas do que as
derivadas de primeira ordem.

12 / 36

Deteco de Linhas: Direes Especficas

13 / 36

Deteco de Linhas: Exemplo

14 / 36

Deteco de Bordas
Mtodo mais usado para segmentar imagens com base em
variaes abruptas de intensidade;
Modelos de borda:

degrau
rampa
telhado

15 / 36

Deteco de Bordas: comportamento da derivada

Considere uma regio de borda livre de rudo:

16 / 36

Deteco de Bordas

Trs passos fundamentais devem ser considerados:

Suavizao da imagem para reduo de rudo

Deteco dos pontos de borda

Localizao da borda

17 / 36

Deteco de Bordas: interferncia do rudo

18 / 36

Propriedades do Gradiente
O gradiente, definido a seguir, a ferramenta ideal para encontrar
a intensidade e a direo da borda:
#

"

g
f = grad(f ) = x =
gy

"

f
x
f
y

A magnitude (tamanho) do vetor gradiente:

M(x, y ) = mag(f ) =
A direo do vetor gradiente:
1

(x, y ) = tg

"

gx2 + gy2

gy
gx

#
19 / 36

Propriedades do Gradiente

20 / 36

Operadores de Gradiente

21 / 36

Deteco de Bordas: exemplo usando Sobel

22 / 36

Deteco de Bordas: exemplo usando Sobel

Utilizao de suavizao antes da deteco.

23 / 36

Ligao de Bordas

Deteco de bordas produz conjuntos:

exclusivamente nas bordas

raramente caracterizam completamente as bordas

rudo

quebras nas bordas

iluminao no uniforme

descontinuidades esprias nos valores de intensidade

24 / 36

Ligao de Bordas
Abordagem mais simples:

analisar caractersticas dos pixels em uma vizinhana pequena

sobre cada ponto
pontos semelhantes de acordo com critrios definidos so "ligados"

Propriedades utilizadas:

magnitude e direo do vetor gradiente

Desvantagem:

computacionalmente cara
todos os vizinhos de um pixel devem ser examinados

25 / 36

Ligao de Bordas: exemplo

Utilizao de suavizao antes da deteco.

26 / 36

Limiarizao
Caractersticas:

propriedades intuitivas
simplicidade de implementao
velocidade computacional

As bases da limiarizao de intensidade:

Suponha objetos claros em um fundo escuro. Uma maneira de

separ-los, seria gerar uma imagem segmentada, baseada na
anlise do histograma da imagem original, onde:
(
1 se f (x, y ) > T
g(x, y ) =
0 se f (x, y ) T

27 / 36

Limiarizao: exemplo

28 / 36

Limiarizao: exemplo

29 / 36

Limiarizao: exemplo

30 / 36

O Algoritmo K-Means
Tcnica de agrupamento de regies;
Clustering: conjunto de dados classes disjuntas;
K-means: particionar n objetos em K agrupamentos;
Caractersticas:

possibilidade de trabalhar com grandes bases de dados

tempo de ordem O(n)
mudana de pertinncia durante o processo
sensvel escolha das classes iniciais
classe: representada por um centro (ponto)
nmero de classes iniciais pode impor estrutura errnea

Tp. em Comput. - Segmentao

31 / 36

O Algoritmo K-Means
1

Inicializar os K centros (w1 , , wk ), que representam as classes,

e definir o nmero N de iteraes;

Associar cada classe Cj a um centro wj ;

Assinalar cada dado pl como pertencente classe Cj , caso wj

seja o centro mais prximo a esse dado;

Atualizar cada centro wj atravs da mdia de todas as amostras

assinaladas como pertencentes cada classe Cj ;

Calcular o erro:
E=

k X
X


pl wj 2
j=1 pl Cj

Repetir 3, 4 e 5 at que o erro E no mude significativamente, ou

o trmino das N iteraes.
32 / 36

O Algoritmo K-Means

33 / 36

O Algoritmo K-Means: exemplo

34 / 36

O Algoritmo K-Means: exemplo

35 / 36

O Algoritmo K-Means: exemplo

36 / 36