Segmentação de Imagens
Alexandre Valdetaro Porto
Introdução

Segmentação é o agrupamento de Pixels de uma imagem
em regiões peculiares.
Objetivos

Expor alguma informação contida na imagem.







Partes da um foto
Objetos
Superfícies
Letras
Patterns
Silhuetas
Etc..
Aplicações importantes






Localização de locais em imagens de satélite
Reconhecimento de faces
Realidade Aumentada
Imagens Médicas
Leitura de impressões digitais
Buscas em bancos de dados de imagem
Abordagem para o problema

Existem inúmeros algoritmos para segmentação de
imagem.

A abordagem naive para o problema seria varrer a
imagem buscando pixels que estejam variando de cor ou
intensidade dentro de uma dada tolerância. Lembrando-se
sempre de respeitar as margens dos objetos.
Algoritmos conhecidos





K-means
Histogram
Edge detection
WaterShed Transformation
Muitos outros...
K-Means




1 Primeiramente escolha um número variável de grupos
para os pixels e escolha seus valores médios.
2 Varra a imagem incluindo cada pixel ao grupo cujo valor
médio mais se aproxima de seu valor
3 Recalcule os valores médios dos grupos com os pixels
novos incluidos.
Faça 2 e 3 até que nenhum pixel mude de grupo.
K-Means
Histogram




Calcula um histograma da imagem
Requer uma passada apenas
Utiliza-se os picos e vales para encontrar os grupos para
subdivisão dos pixels
Pode ser utilizado para dizer os grupos iniciais dos pixels
para o método K-means
Edge Detection




Métodos de detecção de arestas podem discretizar os
objetos facilmente.
A silhueta de um objeto tende a ser um ponto da imagem
com o grande magnitude de gradiente, ou seja, que há
grande variação na intensidade em relação aos vizinhos.
Pode ser feito algo trivial desde a diferença entre a
intensidade do pixel anterior e o atual ou filtros mais
complexos que utilizam o gradiente da imagem.
Filtro passa alta
Edge Detection
Watershed Tranformation




A transformação Watershed é similar ao Edge Detection.
Primeiramente considera-se os pixels com maior
magnitude de gradiente da como sendo bordas.
Assim, fazendo uma analogia com o cair de gotas em um
superfície topológica(análoga a uma imagem em greyscale),
as gotas escorrerão um mínimo de intensidade local.
Os pixels que escorrem para o mínimo local formam uma
poça, que pode ser considerado um grupo na
segmentação.
Watershed transformation
Conclusão



Todos os algoritmos abordados podem ser combinados
para obtenção de melhores resultados.
A escolha do método certo depende do tipo de aplicação
e imagem.
Podem ser aplicados na escala de cor da imagem, porém
se tornam mais complexos