Professional Documents
Culture Documents
Parte 2
1
Motivao
Extrao do Objeto
Dificuldades
Super segmentao
over-segmentation
1) Segmentao por Limiarizao (Thresholding Global):
4
1) Segmentao por Limiarizao (Thresholding
Global):
1. Inspeo visual do histograma
Histograma bi-modal
T
Um ponto ( x, y) parte dos
objetos se f (x, y) > T
5
1) Segmentao por Limiarizao (Thresholding
Global):
1. Inspeo visual do histograma
Limiarizao em multinvel
Influncia da Iluminao:
b) Histograma da reflectncia
a) Reflectncia r(x,y) gerada por
(Bi-modal)
computador
f ( x, y ) = i ( x, y ).r ( x, y )
7
Influncia da Iluminao:
d) f ( x, y ) = i ( x, y ).r ( x, y )
c) Funo de Iluminao i(x,y)
gerada por computador
Histograma da f(x,y)
8
1) Segmentao por Limiarizao (Thresholding
Global):
2. Tentativa e erro
9
1) Segmentao por Limiarizao (Thresholding
Global):
3. Threshold Automtico
Algoritmo: (Gonzalez;Woods,2002)
1. Selecionar um valor estimado para T (Ponto
intermedirio entre os valores mnimos e mximos de
intensidade da imagem)
2. Segmentar a imagem usando T.
Isso produzir dois grupos de pxels
G1 T
G2 < T
10
1) Segmentao por Limiarizao (Thresholding
Global):
11
1) Segmentao por Limiarizao (Thresholding
Global):
Mtodo de Otsu
Onde:
n = nmero total de pxels da Imagem
nq = nmero de pxels com intensidade rq
L = nmero total dos possveis nveis de intensidade da Imagem
12
1) Segmentao por Limiarizao (Thresholding
Global):
Mtodo de Otsu
B2 = 0 ( 0 T ) 2 + 1 ( 1 T ) 2
13
1) Segmentao por Limiarizao (Thresholding
Global):
Mtodo de Otsu B2 = 0 ( 0 T ) 2 + 1 ( 1 T ) 2
k 1
Onde: 0 = p q (rq )
q =0
L 1
1 = p q (rq )
q=k O Mtodo de Otsu pode
ser chamado de
k 1
0 = qpq (rq ) / 0 Thresholding Dinmico.
q=0
L 1
1 = qp q (rq ) / 1
q=k
L 1
T = qp q (rq )
q =0
14
1) Segmentao por Limiarizao (Thresholding
Local):
1 se f ( x, y ) T ( x, y )
g ( x, y ) =
0 se f ( x, y ) < T ( x, y )
16
Crescimento de Regio: (Region Growing)
c) para todo i e j, i j
18
Imagem:
19
Problemas com a Tcnica:
20
3) Utilizao de conectividade e adjacncia:
21
Exemplo: Crescimento de Regio
b) Inicio do crescimento:
Pixels com a mesma
distancia city-block
da semente.
Regio R
R1 R2
R3 R41 R42
R43 R44
24
Exemplo do Algoritmo Split and Merge:
P(R) = FALSO
P(R1) = VERDADEIRO
R P(R2) = FALSO
P(R3) = FALSO
P(R4) = FALSO
Primeira Sub-diviso
Split
25
Exemplo do Algoritmo Split and Merge:
Segunda sub-diviso:
Split
Fuso Merge:
P ( R1 U R21 U R22 U R24 U R42 U R44 U R33 U R31 ) = VERDADEIRO
26
Split
Regio Segmentada.
Merge
P( R341 U R342 U R431 U R432 ) = VERDADEIRO
P( R343 U R344 U R433 U R434 ) = VERDADEIRO
27
3) Transformada Watershed
28
3) Transformada Watershed
29
3) Transformada Watershed
30
Exemplo: Aplicao da Transformada Watershed na
Segmentao de gros de caf
31
Segmentao por Watershed usando a Transformada da Distncia.
Transformada da Distncia:
32
Segmentao por Watershed usando a Transformada da Distncia.
Linhas de
Transformada
Watershed do
da Distncia
negativo da
(TDE)
TDE
Superposio
Super-Segmentao das linhas de
(Oversegmentation) A Watershed na
Transformada Watershed Imagem
pode gerar segmentao Original
extra que no corresponde
a regies na imagem
33
4) Pirmides de Resoluo:
As bordas so mais
facilmente detectadas
no nvel n=1.
A posio da borda
detectada em n=1,
localizada em n=4.
vi = ( xi , y i ) i = 1,.....n
36
5) Contornos Ativos (Snakes)
38
Exemplo: Snake utilizada para segmentar o contorno do
crebro em uma cavidade Craniana.
39
Exemplo: Snake segmentando um contorno.
40
Outras Tcnicas para Segmentao de Imagens
41
Segmentao por Textura
43
Segmentao por Movimento
44
Segmentao por Movimento (Fundo Simples)
Mdia ou
Curva de Evoluo de um pxel (RGB) Mediana
Rudo
I ( x, y , t ) = I ( x, y ) + ( x, y , t )
I ( x, y , t ) I ( x, y ) > T
Exemplo de agrupamentos de
densidades criadas usando-se
GMM.
Modelo de Mistura de Gaussianas (GMM)
GMM:
Robusto com fundos complexos e
variaes graduais de iluminao.