1 / 14

Segmentação de Imagens

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.

payton
Download Presentation

Segmentação de Imagens

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  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 • Edgedetection • WaterShedTransformation • 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. EdgeDetection • 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. EdgeDetection

  12. WatershedTranformation • A transformação Watershed é similar ao EdgeDetection. • 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. Watershedtransformation

  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

More Related