A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Segmentação I Paulo Sérgio Rodrigues PEL205. Conceito Formal de Segmentação de Imagens Aristóteles (384-322 a.C.), em um tratado sobre os sentidos humanos,

Apresentações semelhantes


Apresentação em tema: "Segmentação I Paulo Sérgio Rodrigues PEL205. Conceito Formal de Segmentação de Imagens Aristóteles (384-322 a.C.), em um tratado sobre os sentidos humanos,"— Transcrição da apresentação:

1 Segmentação I Paulo Sérgio Rodrigues PEL205

2 Conceito Formal de Segmentação de Imagens Aristóteles ( a.C.), em um tratado sobre os sentidos humanos, definiu o que seria a diferença entre Sensação e Razão. Segundo o Filósofo, sensação é o processo de captura de sinais externos através de órgãos sensitivos de um ser. Ao generalizar sinais externos, órgãos sensitivos e ser, Aristóteles define a sensação como um processo inerente a qualquer ser vivo.

3 Conceito Formal de Segmentação de Imagens Por outro lado, define razão como o processo de interpretar o sinal sensitivo como tendo alguma finalidade dentro de um contexto:.. Um Leão percebe uma Gazela correndo mas não reconhece que ela está correndo... Assim, podemos definir o processo de Segmentação como sendo simplesmente a idéia de percepção de elementos em uma cena.

4 Diferença entre Segmentação e Reconhecimento Por outro lado, o processo de reconhecimento é o processo de interpretação dos elementos percebidos pelos órgãos sensitivos. Assim, fica bem clara a diferença ente segmentação e reconhecimento de imagens, que também podem ser chamadas de detecção e análise.

5 Diferença entre Segmentação e Reconhecimento A interpretação, no entanto, depende do contexto, da base de conhecimento e conseqüentemente, do observador

6 Diferença entre Segmentação e Reconhecimento A interpretação, no entanto, depende do contexto, da base de conhecimento e conseqüentemente, do observador

7 Diferença entre Segmentação e Reconhecimento A interpretação, no entanto, depende do contexto, da base de conhecimento e conseqüentemente, do observador

8 Diferença entre Segmentação e Reconhecimento A interpretação, no entanto, depende do contexto, da base de conhecimento e conseqüentemente, do observador

9 Diferença entre Segmentação e Reconhecimento A interpretação, no entanto, depende do contexto, da base de conhecimento e conseqüentemente, do observador

10 Diferença entre Segmentação e Reconhecimento A interpretação, no entanto, depende do contexto, da base de conhecimento e conseqüentemente, do observador

11 Diferença entre Segmentação e Reconhecimento A interpretação, no entanto, depende do contexto, da base de conhecimento e conseqüentemente, do observador

12 Diferença entre Segmentação e Reconhecimento A interpretação, no entanto, depende do contexto, da base de conhecimento e conseqüentemente, do observador

13 Segmentação de Imagens

14

15

16

17

18 Segmentação Baseada em Histograma

19 Segmentação de Imagens

20

21 Técnicas de Segmentação Limiarização Interativa (AJUSTE MANUAL) Limiarização Iterativa Clusterizadores Baseada em Entropia Baseada em Características Locais Movimento Modelos Deformáveis

22 Limiarização Iterativa Algoritmo Iterativo para Determinação do Limiar Entrada: Imagem monocromática I; Saída: Limiar T de binarização; 1 - Inicialize o limiar T como a média das intensidades; 2 - Binarize a Imagem de Entrada I usando o limiar T; 3 - Calcule o novo limiar como: 4 = Se Tn = T fim, caso contrário faça T = Tn e volte ao passo 2;

23 Técnicas de Segmentação por Clusterização K-Means Crescimento de região Self Organize Maps

24 K-means Clustering Segmentation zDado um Conjunto de n pontos no espaço d- dimensional em um inteiro k zQueremos encontrar um conjunto de k pontos no espaço d-dimensional que minimiza a distância media quadrática de csada ponto para seu centro mais próximo. zNão existe algoritmo polinomial para esse problema A Local Search Approximation Algorithm for k-Means Clustering by Kanungo et. al

25 K-means Algorithm zO KM converge para uma solução local ótima. zMas pode convergir para uma solução arbitrária ruim zPor que ? K=3 Data Points Optimal Centers Heuristic Centers

26 K-means Algorithm Formalmente..

27 K-means Algorithm 1 – Escolha k pontos iniciais aleatoriamente 2 – Clusterize os dados usando uma distância qualquer (a mais usada é a distância euclidiana) 3 – Compute novos centros para cada cluster usando apenas pontos dentro de cada cluster 4 – Re-compute todos os dados usando os novos centros (esse passo pode provocar mudança de cluster de um ponto) 5 – Repita os passos 3 e 4 até que nenhum ponto no passo quatro tenha mudado de cluster ou outro critério de convergência. From Data Analysis Tools for DNA Microarrays by Sorin Draghici

28 Exemplo para k=2 1.Escolha k=2 2.Clusterize os pontos em torno de K=2 controides

29 K-means para k=2 3.Recalcule os centroides 4.Redistribua os pontos ao pelos dois clusters, considerando os novos centroides

30 K-means para k=2 3.Recalcule os centroides 4.Redistribua os pontos ao pelos dois clusters, considerando os novos centroides

31 K-means para k=2 5. Repita os dois ultimos passos até que nenhum ponto mude de cluster

32 Características do k-means zSelecionar aleatoriamente os pontos na fase inicial gera as seguinte propriedades y Não-Determinismo y Pode produzir clusters vazios xUma solução é escolher os centros aleatoriamente a partir de padrões conhecidos From Data Analysis Tools for DNA Microarrays by Sorin Draghici

33 Complexidade z O Algoritmo é linear no númeor de pontos da base zPode-se mostrar que o tempo de execução é da ordem de cN yc não depende de N, mas depende muito do número de clusters, k z Possui baixa complexidade computacional z É muito rápido

34 Exemplos

35

36 Estudo do K-Means

37

38 Estudo do K-Means Se somente as amplitudes e os desvios-padrões forem iguais?

39

40 Estudo do K-Means Se somente as medias fixas e os desvios-padrões forem iguais?

41

42

43 Estudo do K-Means Se somente as medias fixas e amplitudes iguais?

44

45

46 Estudo do K-Means Transformando uma Equação em Imagem

47

48 Métodos de Segmentação Menos Sensíveis aos parâmetros de iluminação da distribuição zMátodos Baseados em Entropia yEntropia Tradicional de Boltzmann, Gibbs e Shannon yEntropia Não-Extensiva de Tsallis

49 Segmentação de Imagens Crescimento de Região

50

51

52 812

53 8 6

54

55

56

57

58

59

60

61

62

63

64

65

66

67 812 6

68 8

69 8 810

70 812

71 8 108

72 812

73 8 6

74

75 812 6

76 8

77 8 146

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100 812

101

102

103


Carregar ppt "Segmentação I Paulo Sérgio Rodrigues PEL205. Conceito Formal de Segmentação de Imagens Aristóteles (384-322 a.C.), em um tratado sobre os sentidos humanos,"

Apresentações semelhantes


Anúncios Google