A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Processamento de Imagens Segmentação por regiões.

Apresentações semelhantes


Apresentação em tema: "Processamento de Imagens Segmentação por regiões."— Transcrição da apresentação:

1

2 Processamento de Imagens Segmentação por regiões

3 Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em Modelos Multi-escala Redes Neurais

4 Level Set

5 Segmentação Baseada em Região Métodos anteriores: achar bordas entre regiões E agora: encontrar as regiões diretamente –presença de ruído difícil detectar bordas Conceito fundamental: Homogeneidade –principal critério de segmentação

6 Segmentação por Região Idéia: Particionar uma imagem em sub regiões R 1, R 2, R 3,... R n

7 Homogeneidade Critérios de homogeneidade –Nível de cinza –Textura –cor –forma (shape) –modelo (semântico): por exemplo um modelo de Markov

8 Propriedades P(R i ) : critério binário de avaliação de homogeneidade. Por exemplo: intensidades em R i entre 100 e 140.

9 Métodos por Crescimento de Regiões Agregação de pixels Fusão (Merging) Divisão (splitting) Divisão e Fusão (split-and-merge)

10 Agregação de Pixels Conjunto de sementes (seeds) Anexar a cada semente os vizinhos homogêneos (nivel cinza, textura, cor,etc) Qual critério de anexação? –Valor absoluto da diferença entre a semente e o pixel vizinho < Threshold, por exemplo –Conectividade (4-conectado ou 8-conectado). Ou seja, a região final é sempre conectada...

11 Agregação de pixels Procedimento que começa com um conjunto de pixels (sementes) sendo que novos pixels vizinhos com propriedades similares são adicionados. O objetivo é gerar regiões conectadas e uniformes a partir de cada semente. Um pixel é adicionado a uma região se: – Ele não tiver sido designado para outra região – Se ele for vizinho desta região – Se a nova região criada pela adição do pixel continuar uniforme

12 Algoritmo Seja f uma imagem, e R 1, R 2,...R n um conjunto de regiões, onde cada uma possui um único pixel semente de nível de cinza seed. Repita: for ( i=1...n) for (cada pixel p na borda de Ri) for (todos os vizinhos de p) Seja x,y a coordenada do vizinho Se vizinho não rotulado e |f(x,y)- seed|<=D Adicione vizinho a Ri Até que mais nenhum pixel seja designado para regiões

13 Para D = 3

14 Fusão de regiões (Region Merging) Considere de início: –Imagem original (raw image) onde cada pixel representa uma região Algoritmo: 1- Defina um método inicial capaz de segmentar a imagem em pequenas regiões segundo um critério P(R i ) 2 - Defina um critério de mesclagem p/ 2 regiões adjacentes 3 - Mescle todas as regiões adjacentes que satisfaçam o critério. Se não for possível mesclar, pare.

15 Exemplo 1.As sementes são todos os pixels com nível de cinza O valor absoluto da diferença de nível de cinza entre qualquer pixel e a semente deve ser menor do que 65 3.O pixel deve ter conectividade-8 com pelo menos um pixel da região Critérios Imagem Raio-X usada na inspeção de solda; pontos brancos representam quebras e porosidade

16 Sementes e Homogeneidade Como nós escolhemos a(s) semente(s) na prática –Depende da natureza do problema –Se alvos precisam ser detectados usando imageamento infra- vermelho por exemplo, escolha os pixels mais claros (mais quentes) –Sem um conhecimento a priori, calcule o histograma e escolha os valores de níveis de cinza dos picos mais fortes Como nós escolhemos o critério de similaridade (predicado)? –Depende da natureza aplicação –Se imagens coloridas estão disponíveis, a informação da cor pode ser usada –Outras informações importantes: textura, forma e tamanho das regiões

17 Exemplo 2 (a) imagem original e semente (b) crescimento primário (c) crescimento intermediário (d) crescimento final Vizinhança 8 e Predicado: |f(x,y) – f(x,y) semente | < 0.1(max-min)

18 Merging - Exemplo 2 Heurística: Duas regiões adj. serão mescladas se parte significativa do contorno comum entre elas contiver arestas fracas V ij = 1: aresta significativa; v ij = 0, aresta fraca, T 1 : threshold; s ij : valor do crack edge | f(x i ) - f(x j ) | Eq 3

19

20

21 Divisão - Region Splitting Oposto de region merging Imagem representa uma única região –não satisfaz critério P(R i ) –objetivo: separar em regiões que satisfaçam o critério P(R 1 U R 2 ) = False Split / Merge: s/ dualidade (segmentação ) –Exemplo: um tabuleiro de xadrez. Critério de homogeneidade: variância da média dos NC nos quadrantes atual e de nível mais baixo da pirâmide.

22 Divisão e Fusão (split-and-merge) Combinação de ambos os métodos Representação de imagens em pirâmides: Quad- tree Regiões têm formato quadrado

23 Estrutura Quad-tree

24 Algoritmo Divida a imagem em um conjunto de regiões Realizar a divisão e/ou fusão destas regiões novamente até que as regiões resultantes satisfaçam determinadas propriedades Procedimento de Divisão 1. Para qualquer região R i, se P(Ri) = Falso, divida R i em quatro quadrantes 2. Unir quaisquer regiões adjacentes R j e R k tal que P(R j U R k ) = Verdadeiro 3. Pare quando nenhuma divisão ou fusão for mais possível

25 Exemplo 1 P(R) = Falso R = imagem inteira R 1 = ok R1R1

26 Exemplo 2 a) Imagem Original b) Split/Mergec) Limiarização de (b)


Carregar ppt "Processamento de Imagens Segmentação por regiões."

Apresentações semelhantes


Anúncios Google