Reunião do Grupo de Estudos do Serviço de Informática do InCor Artigo-base: Nonparametric Snakes (Umut Ozertem e Deniz Erdogmus) 28 de março de 2008 1 Introdução Aplicação: segmentação de imagens Contornos ativos (snakes) Abordagem não-paramétrica: parâmetros desconhecidos estimativa da PDF das bordas e dos snakes Kernel Density Estimation (KDE) Algoritmo Hierárquico de Ponto-fixo 2 Contornos Ativos (snakes) Expressão geral de energia: 1 E w1 s Econt w2 s Ecurv w3 s Eimage ds 0 Williams e Shah (1992) / Kass et al. (1988) funções de ponderação: w1(s) controla a energia de tensão de contorno, mantendo-o contínuo e flexível; w2(s) controla a rigidez da curva; w3(s) controla a energia externa (imagem). 3 Gradient Vector Flow (GVF) Propõe um novo modelo para a força externa Xu e Prince (1998) 4 Gradient Vector Flow (GVF) Aumenta a faixa de captura para minimizar o problema da inicialização do snake. que o snake acompanhe também regiões mais côncavas Possibilita Não apresenta uma solução para encontrar os parâmetros mais adequados 5 Kernel Density Estimation (KDE) Método para estimar a PDF de uma variável aleatória Características do uso da janela retangular: Não suave Depende da largura da janela 6 Kernel Density Estimation (KDE) Características do uso da janela gaussiana: Distribuição suave Depende do sigma 7 Estimativa da densidade de borda com abordagem não-paramétrica 8 Estimativa da densidade de borda com abordagem não-paramétrica e largura de banda variável i 2CiKNN Kernels individuais para cada amostra Aplicação direta de um filtro gaussiano (sigma constante): suavizaria o ruído haveria perda de informação das bordas 9 Convergência do snake até o ponto de máximo da borda KDE aplicado ao snake Maximização do produto interno Algoritmo de ponto-fixo Permanece o problema do snake não acompanhar os contornos mais côncavos 10 Algoritmo Hierárquico de Ponto-fixo 1. 2. Gere o campo de bordas E(s) Selecione o tamanho do kernel e estime a densidade de probabilidade do campo de bordas pedge(s) 1 2 11 Algoritmo Hierárquico de Ponto-fixo 3. 4. Selecione o snake inicial e estime a sua densidade de probabilidade psnake(s) Use o procedimento de iteração de ponto-fixo para rearranjar os pontos do snake inicial 3 4 4 3 5. Selecione um limiar máximo de distância entre pontos vizinhos (thneighbor) que vai definir o nível de resolução do snake 12 Algoritmo Hierárquico de Ponto-fixo 6. Identifique os pontos (rearranjados) do snake cujos vizinhos não atendem ao limiar requerido 6 7. Defina uma intensidade m e aplique-o para perturbar estes pontos em M direções randomicamente selecionadas (valores típicos: m = thneighbor/5 ; M = 5) 7 13 Algoritmo Hierárquico de Ponto-fixo 8. Use o procedimento de iteração de ponto-fixo para projetar as perturbações sobre o contorno e, após a convergência, adicione estes pontos ao snake 8 9. Repita os passos 6 a 8 até que a condição imposta pelo limiar seja satisfeita para todos os pontos 9 14 Comparação com GVF GVF snake: parâmetros globais Snake não-paramétrico: parâmetros locais (kernel com largura de banda variável) 15 Aplicação sobre mapa contínuo de bordas com diferentes distribuições de ruído 16 Conclusão Snake original: os parâmetros são definidos empiricamente após uma série de execuções do algoritmo Snake não-paramétrico: contorna o problema através da densidade de probabilidade (KDE) 17 Referências Bibliográficas [1] Ozertem U, Erdogmus D (2007), Nonparametrics snakes, IEEE Transactions on Image Processing 16(9):2361-2368. [2] T. Duong, An introduction to kernel density estimation, http://www.maths.uwa.edu.au/~duongt/seminars/intro2kde acessada em 25/março/2008. [3] Williams DJ, Shah M (1992) A fast algorithm for active contour and curvature estimation. GVCIP Imag Underst 55(1):14-26. [4] Kass M, Witkin A, Terzopoulos D (1988) Snake: active contour models. Int J Comput Vis 1:321-331. [5] Fixed point, Wikipedia, http://en.wikipedia.org/wiki/Fixed_point_%28mathematics%29 acessada em 26/março/2008. [6] Xu C, Prince JL (1998) Snakes, Shapes, and Gradient Vector Flow; IEEE Transactions on Image Processing 7(3): 359-369. 18