Aula 6 - Segmentao de ImagensParte 2

1

Prof. Adilson GonzagaProf. Adilson GonzagaProf. Adilson GonzagaProf. Adilson Gonzaga

Motivao

Extrao do Objeto

Super segmentao

over-segmentation

Dificuldades

1) Segmentao por Limiarizao (Thresholding Global):

Efeitos da escolha do Limiar

3

Imagem Original Imagem segmentada por Thresholding

Thresholding Baixo Thresholding Alto

1) Segmentao por Limiarizao (Thresholding Global):

Modos de se escolher o Threshold:

1. Inspeo visual do histograma

4

2. Tentativa e erro

3. Threshold Automtico

Imagem f (x, y) composta de objetos brilhantes sobre fundo

Histograma bi-modal

1) Segmentao por Limiarizao (Thresholding Global):

1. Inspeo visual do histograma

5

T

objetos brilhantes sobre fundo escuro

Um ponto ( x, y) parte dos objetos se f (x, y) > T

Limiarizao em multinvel

Se T1 < f(x, y) T2 o ponto (x, y) pertence a uma classe de objetos.

1) Segmentao por Limiarizao (Thresholding Global):

1. Inspeo visual do histograma

6

Dificuldade: estabelecer mltiplos T que efetivamente isolem regies de interesse.

T1 T2

Se f(x, y) > T2 o ponto (x, y) pertence a outra classe.

Se f(x, y) T1 o ponto (x, y) pertence ao fundo.

Influncia da Iluminao:

1) Segmentao por Limiarizao (Thresholding Global):

7

a) Reflectncia r(x,y) gerada por computador

b) Histograma da reflectncia(Bi-modal)

),().,(),( yxryxiyxf =

Influncia da Iluminao:

d) ),().,(),( yxryxiyxf =

8

c) Funo de Iluminao i(x,y)gerada por computador

d)

Histograma da f(x,y)

),().,(),( yxryxiyxf =

1) Segmentao por Limiarizao (ThresholdingGlobal):

2. Tentativa e erro

Aplicado em processos interativos.

O usurio testa diferentes nveis de Threshold at

9

O usurio testa diferentes nveis de Threshold at produzir um resultado satisfatrio de acordo com o observador.

1) Segmentao por Limiarizao (ThresholdingGlobal):

3. Threshold Automtico

Algoritmo: (Gonzalez;Woods,2002)

1. Selecionar um valor estimado para T (Ponto intermedirio entre os valores mnimos e mximos de intensidade da imagem)

10

intensidade da imagem)

2. Segmentar a imagem usando T.Isso produzir dois grupos de pxels

TG 1TG

1) Segmentao por Limiarizao (ThresholdingGlobal):

3. Computar a mdia das intensidades dos pxels em cada regio.

)( 11 G )( 22 G

4. Computar o novo valor de T:

11

)(21

21 +=T

5. Repetir os passo 2 a 4 at que a diferena em T em sucessivas iteraes seja menor que um T0pr-estabelecido.

1) Segmentao por Limiarizao (Thresholding Global):

Mtodo de Otsu

1. Tratar o Histograma da Imagem como uma Funo Densidade de Probabilidade Discreta:

n

nrp qqr =)( q= 0,1,2,L-1

12

nrp qr )( q= 0,1,2,L-1

Onde:

n = nmero total de pxels da Imagemnq = nmero de pxels com intensidade rqL = nmero total dos possveis nveis de intensidade da Imagem

1) Segmentao por Limiarizao (Thresholding Global):

Mtodo de Otsu

2. Um valor k para o Threshold pode ser escolhido tal que:

C0 seja a classe de Pxels com nveis entre [0, k-1] e C seja a classe de Pxels com nveis entre [k, L-1]

13

C1 seja a classe de Pxels com nveis entre [k, L-1]

3. O mtodo de Otsu escolhe k tal que maximize a varincia inter-classes:

211

200

2 )()( TTB +=

1) Segmentao por Limiarizao (Thresholding Global):

Mtodo de Otsu

Onde:

=

=

1

00 )(

k

qqq rp

211

200

2 )()( TTB +=

=

=

1

1 )(L

kqqq rp O Mtodo de Otsu pode

ser chamado de

14

=

=

1

000 /)(

k

qqq rqp

=

=

1

11 /)(L

kqqq rqp

=

=

1

0)(

L

qqqT rqp

ser chamado de Thresholding Dinmico.

1) Segmentao por Limiarizao (Thresholding Local):

A Limiarizao Global pode falhar quando a iluminao for no uniforme.

Aplicar um Threshold Local definir uma funo T(x,y) que varie o valor de T de acordo com as coordenadas (x,y).

),(),(1 yxTyxfse

15

,,,

Mdia ou Mediana Rudo

Este mtodo muito popular para operaes de rastreamento em tempo real por ser simples e rpido. No entanto, tem dois grandes inconvenientes. Ele no pode lidar com rudos intermitentes (por exemplo, mudanas de iluminao) e pode gerar objetos fantasmas.

Subtrao do fundo usando Mistura de Gaussianas (GMM)

Cada pixel classificado baseado na distribuio de Gaussianas que o representa mais eficazmente como fundo.

Realiza aproximaes quadro a quadro para atualizar o modelo de cena de fundo.

Segmentao ambientes externos dinmicos, sujeitos a diferentes condies de iluminao.

Segmentao por Movimento (Fundo Complexo)

Diferentes Gaussianas supostamente representam diferentes cores.

Espera-se que uma distribuio de Gaussianas que represente fundo tenha grande peso e baixa varincia, ou seja, ocorra freqentemente e varie pouco no tempo.

Exemplo de agrupamentos de densidades criadas usando-se GMM.

Modelo de Mistura de Gaussianas (GMM)

GMM: Robusto com fundos complexos e

variaes graduais de iluminao.

Segmentao correta onde existe fundo com cores prximas a da fundo com cores prximas a da pele.

No apresenta bons resultados variao brusca de iluminao e sombras.

Objeto praticamente esttico, provoca a deteco desse objeto como fundo.