Processamento de Imagens Segmentao Parte 1 Segmentao Segmentao
- Slides: 42
Processamento de Imagens Segmentação (Parte 1)
Segmentação • Segmentação Análise de Imagem • “Divisão da imagem em partes com grande correlação aos objetos e áreas do mundo real contidos na imagem” • Completa: regiões disjuntas, objetos da img • Parcial: objetos obtidos podem não ser objetos distintos
Segmentação Completa • Pode requerer cooperação de níveis mais altos de processamento que usam conhecimento específico do problema • As vezes, apenas processamento em nível mais baixo é a solução. – Independente de contexto • Não existe modelo para o objeto • Não existe conhecimento da segmentação esperada – Objetos contrastados em fundo mais escuro • identificação de células, caracteres, etc.
Segmentação Parcial • Divisão da imagem em regiões homogêneas segundo uma propriedade – brilho, cor, textura • Segmentação de uma imagem aérea • Mais viável muito difícil obter segmentação completa de uma cena sempre • Pode haver sobreposição de objetos. .
Classificação dos Métodos de Segmentação • Conhecimento global (histogram-based) • Baseada em bordas (Edge-based Segmentation) – Descontinuidade entre regiões • Baseada em Regiões (Region-based) – Similaridade entre regiões
“Métodos” p/ segmentação • • • Algoritmos Genéticos Redes Neurais Métodos Estocásticos (MRF) Morfologia Matemática Segmentação por Textura Segmentação por Cor
Limiarização (Thresholding) • Limiarização em nível de cinza: método mais simples de segmentação. Usa a intensidade do pixel como separador. • Limiarização:
Exemplos de Thresholding
Thresholding • Objetos que não se tocam • nível distinto do fundo (background) • Determinação do limiar correto (Threshold) é crucial – interativamente – automaticamente • global (menos provável): único limiar p/ imagem – T = T(f) • variável: variação do limiar “ao longo” da imagem – T = T(f, fc ), fc é a parte da imagem f onde T é determinado
Tipos de Limiarização • Por banda: • Multi-bandas: D : conjunto de níveis de cinza.
Detecção do Limiar (T) • Tem-se informação “a priori”? Simples – exemplo: detecção de caracteres em um folha papel • Análise do formato do histograma – bi-modal: Objetos de mesmo NC + fundo Fundo: + claro Objetos: + escuros
Limiar Ótimo • Limiar escolhido como o nível de cinza mais próximo correspondente a probabilidade mínima entre dois pontos de máximo de duas ou mais distribuições normais. • Método de Otsu: – determina o tom de corte que maximiza a medida de variância entre o objeto e o fundo
Algoritmo Isodata: Livro Sonka
Método de Otsu • Seleção do ponto mais baixo entre duas classes • Frequência e média • Análise da variância total (imagem inteira)
Método de Otsu • Variância entre classes • Substituindo temos • 0, 1 e 0, 1 são as freqüências e médias duas classes
Método de Otsu • A função que envolve a variância entre classes e a variância total é dada por: • Avaliar todos os possíveis limiares. Aquele que maximizar será o limiar ótimo.
Limiarização Multi-Espectral R B G
Segmentação por Bordas • Depende de arestas das imagens localizados pelos operadores de bordas. – arestas: descontinuidades no nível de cinza, cor textura, etc. • Muito susceptíveis ao ruído (presença de arestas onde não há bordas ou vice-versa)
Segmentação por Bordas • Não basta apenas identificar as bordas e construir um contorno a partir delas. • É preciso identificar o objeto a partir desses contornos • Objeto: região dentro de um contorno
Seg. Bordas: Limiarização • Operação de detecção de bordas • Aplicar Thresholding sobre a imagem de arestas (edge image) – Valor de mínimo ou média do histograma • Ligar os segmentos de bordas em um contorno (edge linking) – Os pontos que passaram no thresholding são ligados aos seus vizinhos, segundo uma distância máxima
Seg. Bordas: Limiarização
Supressão de arestas • Uma imagem de arestas (edge image) apresenta borda ‘espessa’, mas a borda deve ser composta por um pixel simples. • Discretizar as direções de acordo com 8 -conectado • Para cada pixel com magnitude de aresta não-zero, inspecione os dois pixels adjacentes (segundo a direção da aresta) • Se a magnitude de um deles for maior que a do pixel corrente, marque-o para remoção. • Percorra novamente a imagem e zere os pixels marcados para remoção.
Seg. por Rastreamento de Bordas • Border Tracing (ou tracking) • Depende do grau de conectividade utilizado – 4 -conectado 8 -conectado • A borda vai sendo composta aplicando-se a cada pixel um operador que define a direção do gradiente (que indica a posição do próximo pixel da borda) • Objetivo: encontrar uma “inner region border”
Achando a borda externa (pertencente ao fundo)
Borda externa (outer region border)
Seg. Bordas: Grafos de arestas • Quando existe conhecimento a priori da direção da borda • Usar esse conhecimento (magnitude ou direção das arestas) como pesos num processo de busca de caminho mínimo em uma estrutura de grafo.
Busca em grafos de arestas Conhecendo a magnitude e direção em uma imagem de arestas, cada Pixel corresponde a um nó no grafo, cujo peso é a magnitude.
Angiografia coronariana Imagem de arestas borda encontrada por grafo
Seg. Bordas: Transformada Hough • Objetos têm tamanho e forma conhecidos – localizar áreas em circuitos impressos • Podemos usar máscaras de convolução – Problemas: zoom, rotação, distorções, etc. • Transformada de Hough: projetada inicialmente para identificar linhas. Pode ser generalizada para localização de círculos e outras curvas.
Transformada de Hough para um Círculo
Seg. Bordas: Marr-Hildreth • 1970: importância dos contornos na interpretação de imagens • Operadores existentes até então: Sobel, Prewit -> dependência do tamanho e ruído • Step-edge: mudança abrupta na função de uma imagem
Marr-Hildreth • Primeira derivada: extremo na posição da aresta • Segunda derivada: zero na mesma posição
1 a Derivada Aprox. numérica Máscaras 1 D Máscaras 2 D
a 2 Laplaciano Derivada Aprox. em 1 D Equivalente a: Aprox. 2 D
Marr-Hildreth • Como computar a segunda derivada robustamente? 1) Suavizar a imagem (redução de ruído). Operador Gaussiano 2 D 2) Detecção de bordas com Laplaciano
Marr-Hildreth • A segunda derivada de f(x, y) suavizada – Operador Laplace • isotrópico (não é direcional) – LOG (Laplace of Gaussian) Aproximações discretas do Operador Laplaciano
Marr-Hildreth
- Processamento digital de sinais
- Processamento
- Entrada processamento e saída exemplos
- Processamento de sinais
- Processamento
- Mecanografia e processamento de dados
- Processamento 2
- Hardware dispositivos de entrada
- Unidade central de processamento
- Processamento de alimentos de origem animal
- Processamento
- Processamento vetorial
- 50 erros na liturgia
- Te invitamos a ser parte o hacer parte
- Cómo se escribe 15 enteros 204 milésimos
- Este parte aquele parte
- Poliedros
- Abrasar-se
- Imagens de sons longos e curtos
- Lei de arquimedes
- Imagens de textos narrativos
- Imagens de útero atrofiado
- Ilayali
- Imagem conselho de classe
- Google imagens
- Acervo pessoal de evania escudeiro
- Transformada de fourier
- Parodia
- Neuronio
- Figuras tridimensionais
- Seguindo a postura antimaterialista os simbolistas
- Google imagens
- Google imagens
- Imagens para fim de apresentação de slides
- Imagens
- Grwcia
- Solidos geometricos
- Imagens para memorizar
- Espelho esferico
- Simetria
- Evangelismo criativo
- Esporos
- As aspas