O que é a segmentação de imagens?
A segmentação é o processo de particionar uma imagem em um conjunto de regiões significativas para análise posterior
Um dos problemas mais antigos e amplamente estudados na visão computacional
Propriedades de região para facilitar a segmentação de imagens
- As regiões devem ser uniformes / homogêneas em algumas características
- O interior das regiões deve ser simples e sem furos ou partes ausentes
- Regiões adjacentes devem ter valores significativamente diferentes em termos das características nas quais são individualmente uniformes
- Os limites de cada região devem ser suaves e espacialmente precisos
Diferentes níveis de identificação e segmentação de regiões
Abordagens de segmentação
- Baseada em região
- Baseada em contorno
- Baseada em correspondência de modelos (template matching)
- Baseada em divisão e fusão
- Baseada em otimização global
Problemas e desafios
- Até o momento, não existe um método único de segmentação que funcione bem para todos os problemas
- O conhecimento específico do domínio da aplicação é tipicamente essencial para o desenvolvimento de métodos de visão computacional bem-sucedidos para segmentação
- Mesmo dentro de um domínio de aplicação, as imagens podem variar amplamente
Limiarização (Thresholding)
Problemático se as regiões tiverem distribuições de intensidade sobrepostas
Agrupamento K-Means
Pode funcionar se o número de clusters for conhecido a priori
Problemático se o número de clusters não for conhecido a priori
Classificação Baseada em Características
Segmentação por extração de características em patches com janela deslizante e posterior classificação... requer muitos exemplos para treinamento
Divisão e Fusão de Regiões
Abordagem computacional básica
- Dividir recursivamente toda a imagem em partes com base nas estatísticas das regiões
- Fundir recursivamente regiões de maneira hierárquica
- Combinar divisão e fusão sequencialmente
Divisão e Fusão de Regiões
- A técnica mais simples possível
– Aplicar limiarização e depois calcular os componentes conectados
– Raramente suficiente devido à iluminação e variações estatísticas intra-objeto
Algoritmo de Componentes Conectados
- Primeira passagem
N4
N8
– Verificar cada pixel (do canto superior esquerdo ao inferior direito)
– Se for um pixel de objeto, verificar seus vizinhos (𝑁𝑁 4 ou 𝑁𝑁 8 )
– Se nenhum vizinho tiver rótulo, atribuir um novo rótulo
– Se os vizinhos tiverem rótulos, atribuir o menor
– Registrar as equivalências de rótulos durante a atribuição
Conjuntos de equivalência {1,2,6} {3,4,5}
- Segunda passagem
– Verificar cada pixel (do canto superior esquerdo ao inferior direito)
– Substituir cada rótulo pelo seu menor equivalente
– Todos os pixels de fundo assumem por padrão o rótulo zero
Divisão de Regiões
- Agrupamento no espaço de medição
– Supõe-se que regiões homogêneas na imagem apareçam como clusters no espaço de medição (exemplo simples: o histograma)
– Otimizar métricas de similaridade intra-região e dissimilaridade inter-regiões
– O agrupamento pode ser realizado encontrando os vales no espaço e declarando os intervalos entre eles como os clusters
– A segmentação é o mapeamento dos clusters de volta para o domínio da imagem
– Os componentes conectados dos rótulos dos clusters constituem os segmentos
Fusão por crescimento de regiões
– Definir uma medida de similaridade
– Começar a partir de um pixel semente para a região
– Adicionar pixels vizinhos à região se forem similares
– Repetir o passo anterior até que não haja mais pixels similares
Segmentação por Watershed (Bacia Hidrográfica)
Baseada na analogia da imersão de uma superfície topográfica
Algoritmo de inundação de Meyer
1) Escolher um conjunto de marcadores para iniciar a inundação. Estes podem ser, por exemplo, todos os mínimos locais. Atribuir a cada um um rótulo diferente.
2) Colocar os pixels vizinhos de cada marcador em uma fila de prioridade. Um pixel com valor de cinza mais semelhante tem maior prioridade.
3) Retirar da fila o pixel com o maior nível de prioridade. Se os vizinhos do pixel retirado que já foram rotulados tiverem todos o mesmo rótulo, atribuir a esse pixel esse mesmo rótulo. Colocar na fila todos os vizinhos não rotulados que nunca estiveram na fila.
4) Repetir o passo 3 até que a fila esteja vazia.
Os pixels não rotulados resultantes são as linhas divisórias de águas (watershed lines)
Regiões Extremas Maximamente Estáveis (MSER)
- Fundamentos das regiões extremas maximamente estáveis (MSER)
– Componentes conectados caracterizados por intensidade quase uniforme cercados por fundo contrastante
– Construídos por meio de um processo de testar múltiplos limiares e analisar a forma dos componentes conectados
– As regiões selecionadas são componentes conectados cuja forma permanece praticamente inalterada ao longo de um amplo conjunto de limiares.