RECONHECIMENTO DE PADRES EM IMAGENS

Extrao de Caractersticas e Reconhecimento de Padres e Objetos

UFF
Disponvel em
http://computacaografica.ic.uff.br/transparenciasvol2cap6.pdf. Acessado dia
14/10/2015

Padro significa qualquer elemento que possa ser definido

quantitativamente mesmo que ocorram variaes. O reconhecimento
pode ser feito por diferenciao ou por classificao (ou mesmo ambos).
As classes padro que se deseja reconhecer so formadas a partir de
caractersticas que sero extradas da imagem. Utilizam-se descritores
para caracterizar o objeto/padro. Cada tipo de descritor ser mais
adequado a determinado aspecto como: forma, dimenses, cor, textura,
etc.

6.1 Segmentao:
O processo de segmentao consiste em dividir uma imagem em regies
que possuem o mesmo contedo no contexto de uma aplicao. A
segmentao pode ser baseada em:
descontinuidades;
similaridades dos diferentes aspectos da imagem.

6.1.1. Segmentao Baseada em Regies

Premissas:
(1) a regio deve ser homognea considerando algum fator de tolerncia e
algumas caractersticas predefinidas;
(2) s se consideram regies fechadas aquelas delimitadas por fronteiras
contnuas que separam seu interior dos outros segmentos;
(3) as caractersticas devem ser adequadas para indicar univocamente a
regio; e
(4) o conjunto de todas as regies deve formar a imagem.
6.1.1.1.Tcnicas de segmentao baseadas em crescimento de regies
O processo de segmentao se inicia a partir de um pixel ou um conjunto
de pixels (denominado de semente).
Para cada semente avalia-se o predicado dos pixels vizinhos (ou regio).
A agregao das regies feita quando o critrio de similaridade ou de
deciso do predicado for verdadeiro.
6.1.1.2. Tcnicas de segmentao baseadas em diviso e fuso de regies
Subdivide uma imagem em quatro blocos e verifica se os pixels atendem a
algum critrio de homogeneidade.
Os blocos que atenderem ao critrio no sero mais divididos.
O bloco que no atender ser subdividido em blocos menores.
Realiza a juno dos blocos vizinhos homogneos.

6.1.1.3. Tcnicas de segmentao baseadas em clusterizao

6.1.1.3.1. Algoritmo K-Means

Abaixo apresentado um algoritmo bsico:
(1) Determinar as posies iniciais dos k centrides dos clusters.
(2) Alocar cada elemento ao cluster do centride mais prximo.
(3) Recalcular os centros dos clusters a partir dos elementos alocados.
(4) Repetir os passos de 2 a 4 segundo algum critrio de convergncia.

6.1.1.4. Segmentao baseada em janelas (windows) MERECE DESTAQUE!

Comum em anlises de imagens multiresoluo ou texturas.
O mtodo pode ser generalizado para qualquer nmero de predicados e
tcnica de deciso mais complexas quanto aos limiares das regies.
6.1.2 - Outras Tcnicas de Segmetao
Outras tcnicas:
(1) filtragem no domnio espacial;
(2) filtragem no domnio da frequncia;
(3) transformao para um espao de medida especfico;
(4) baseadas em Morfologia Matemtica; e,
(5) contornos ativos.
6.1.3. Propriedades do Pixel
6.1.3.1. Vizinhana em Pixel (Vizinhana-4 e Vizinhana-8)

Para criar uma vizinhana onde todos os vizinhos fossem equidistantes seria
necessrio mudar a grade regular quadrada para uma grade hexagonal.

6.1.3.2. Medidas de Distncia

6.1.3.3. Conectividade (Propriedade de um pixel est conectado a outro)

6.1.4 Rotulao
A rotulao fundamental para a segmentao e contagem de regies e
objetos. A cada regio ou componente conexo atribudo um valor nico na
imagem, usualmente denominado de rtulo (label).

6.2. Tipos de caractersticas

6.2.1 - Anlise de Componentes Principais (PCA)

Tambm chamada de Transformada Discreta de Karhunen-Love

(KLT) ou ainda Transformada Hotelling
A componente principal o arranjo que melhor representa a
distribuio dos dados sendo que a componente secundria
perpendicular componente principal.
til quando os vetores de caractersticas tm muitas dimenses ou
quando uma representao grfica no possvel.

6.2.1.1. Matriz de covarincia

6.2.1.2. Autoespaos, autovetores e autovalores

Um vetor v um autovetor de uma matriz quadrada M se M v
(multiplicao da matriz M pelo vetor v) resulta num mltiplo de v, ou seja,
em v ( ou na multiplicao de um escalar pelo vetor). Nesse caso, o
chamado autovalor de M associado ao autovetor v.

 Se uma matriz n x n tem n autovalores linearmente independentes ento

ela diagonalizvel.
Se uma matriz diagonalizvel ento ela tem n autovalores linearmente
independentes que sero os seus elementos da diagonal principal.
Para diagonalizar uma matriz M:
1- Encontrar seus autovetores linearmente independente: v1 , v2 , ...vn
2- Formar uma Matriz P com estes vetores como colunas.
3- O produto P-1 M P ser uma matriz diagonal, com elementos iguais
aos autovalores na diagonal principal.
6.2.1.3. Transformada de Hotelling

6.2.1.4. Anlise de Componentes Principais para Imagens Coloridas

6.2.1.5. PCA em Reconhecimento de Padres

Pode-se dizer que uma imagem um padro de h x w caractersticas ou um
vetor no espao (hxw) dimensional, o qual chamado de espao de
imagens", representado por I. Dada uma imagem, pode-se construir sua
representao como um vetor atravs de uma leitura coluna a coluna da
imagem, colocando o valor de cada pixel da imagem em um vetor coluna x.
6.2.1.6. Transformada de Hotelling e PCA na reconstruo
Outra aplicao importante se relaciona reconstruo de x, dado y, por:

A PCA um mtodo estatstico linear que encontra os autovalores e

autovetores da matriz de covarincia dos dados, e, com esse resultado
pode-se realizar a reduo dimensional dos dados e analisar os padres
principais de variabilidade presentes.