Carregar apresentação
A apresentação está carregando. Por favor, espere
1
Segmentação de Imagens
Alexandre Valdetaro Porto
2
Introdução Segmentação é o agrupamento de Pixels de uma imagem em regiões peculiares.
3
Objetivos Expor alguma informação contida na imagem. Partes da um foto
Objetos Superfícies Letras Patterns Silhuetas Etc..
4
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
5
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.
6
Algoritmos conhecidos
K-means Histogram Edge detection WaterShed Transformation Muitos outros...
7
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.
8
K-Means
9
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
10
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
11
Edge Detection
12
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.
13
Watershed transformation
14
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
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.