UM NOVO MÉTODO DE SEGMENTAÇÃO DE IMAGEM...

Revista Brasileira de Cartografia (2013) N0 65/3: 441-453Sociedade Brasileira de Cartografia, Geodésia, Fotogrametria e Sensoriamento RemotoISSN: 1808-0936

S B

C

UM NOVO MÉTODO DE SEGMENTAÇÃO DE IMAGEM COMABORDAGEM BASEADA EM BORDAS E REGIÕES

A New Image Segmentation Method Based on Edge and Region Detection

Rogério Galante Negri1 & Marcus Fabiano Saldanha Silva1,2

1Instituto Nacional de Pesquisas Espaciais - INPEDivisão de Processamento de Imagens - DPI

Av. dos Astronautas, 1.758 – 12227-010 – São José dos Campos – SP – Brasil{rogerio, saldanha}@dpi.inpe.br

2Diretoria de Serviço Geográfico – DSGQuartel General do Exército, Bloco “F”, 2º Piso, Setor Militar Urbano – 70630-901 – Brasília – DF – Brasil

Recebido em 03 de maio, 2012/ Aceito em 03 de julho, 2012

Received on May 03, 2012/ Accepted on July 03, 2012

RESUMO

Uma das principais fontes de informações de dados espaciais são as imagens obtidas por sensoriamento remoto. Os

recentes avanços tecnológicos têm proporcionado o desenvolvimento de novos satélites, os quais são capazes de

realizar medidas mais precisas e, juntamente com o aumento na quantidade de satélites em órbita a disponibilidade das

imagens de sensoriamento remoto tem aumentado. Estes fatos, por sua vez, têm motivado o desenvolvimento de novos

métodos para o processamento e extração de informações sobre tais imagens. Dentre esses métodos destaca-se a

segmentação de imagem. Conceitualmente, a segmentação de imagem é fundamentada em características da

fotointerpretação humana, que permitem a distinção entre diferentes alvos distribuídos ao longo de uma imagem. Neste

contexto, este trabalho apresenta um novo método de segmentação de imagens que integra conceitos de segmentação

baseados em detecção de bordas e regiões. Uma análise comparativa entre os métodos proposto e o método Crescimen-

to de Regiões é conduzida sobre dois estudos de caso que envolvem dados reais e simulados. Os resultados obtidos

mostram que o método proposto neste estudo apresenta melhores índices de ajuste quando é permitida a segmentação

de alvos com pequenas dimensões.

Palavras chaves: Segmentação de Imagem, Detecção de Bordas, Detecção de Regiões, Simulação.

ABSTRACT

Today, the remote sensing images are one of the main sources of spatial data information. The recent technological

advances had provided better sensors and the increase in the launch of new satellites increased the availability of

remote sensing images. These facts has motivated the development of new methods to process and extract information

from such images. One of these methods is known as image segmentation. Conceptually, the image segmentation is

based on characteristics of human photointerpretation, which allow distinguishing the different targets distributed over

the image. In this context, this paper presents a new method of image segmentation which integrates concepts of edge

and regions detection. A comparative analysis of the proposed method and the Region Growth method is conducted on

442 Revista Brasileira de Cartografia, N0 65/3, p. 441-453, 2013

Negri, R.G. & Silva, M.F.S

two study cases involving real and simulated images. The results obtained show that the proposed method provides

better fit when are allowed the segmentation of targets with small dimensions.

Keywords: Image Segmentation, Edge Detection, Region Detection, Simulation.

1. INTRODUÇÃO

Atualmente, diversos campos da atividadehumana têm recorrido a imagens da superfícieterrestre para obter informações a respeito desta.Com os recentes avanços tecnológicos emsensoriamento remoto, é cada vez maior aquantidade de fontes de informação sobre a Terra.

Este número crescente de fontes deinformação associado à aquisição contínua de dadosresulta na geração de volumosos aglomerados dedados, introduzindo consequentemente dificuldadesem sua manipulação, interpretação e extração deinformações úteis. Isso torna importante odesenvolvimento de métodos e ferramentas quevisem organizar e analisar os dados de formaautomática.

A simplificação da representação é uma dasquestões centrais relacionadas à extração deinformações sobre as imagens de sensoriamentoremoto. Um exemplo de simplificação consiste noparticionamento da imagem em regiões homogêneas.Esta abordagem compreende, de modo geral, osmétodos de segmentação de imagem. Estesmétodos podem realizar o processo de identificaçãode regiões de diferentes maneiras, seja a partir daidentificação das bordas que delimitam as regiões,pelo agrupamento de pixels semelhantes ou mesmodefinindo limiares para separação de pixels. Autilização dos métodos de segmentação de imagensnas aplicações em geoprocessamento enfatiza adelimitação de regiões, por exemplo, florestas,estradas, rios, áreas agrícolas, etc.

Devido às diversas finalidades e tipos deimagens disponíveis, não existe um método globalpara segmentação de imagens. Este fato motiva oconstante estudo e desenvolvimento de diferentesmétodos de segmentação.

Neste enfoque, este trabalho apresenta umnovo método automático de segmentação deimagem, o qual é fundamentado em conceitos dedetecção de bordas e agrupamento entre pixels. Adetecção das bordas é conduzida a partir de umafunção de diferenciação. O resultado destadiferenciação fornece um arranjo espacial para

realização de um processo de agrupamento entrepixels. Tal processo de agrupamento consiste noprincipal diferencial do método proposto.

2. SEGMENTAÇÃO DE IMAGENS

2.1. Visão geral sobre segmentação deimagens

A segmentação de imagem é um importantemétodo utilizado em problemas de análise deimagens. Suas aplicações variam desde o controlede qualidade industrial à medicina, navegação derobôs, aplicações militares, exploração geofísica,sensoriamento remoto, etc (CUFÍ et al., 2002).Devido a sua importância, o desenvolvimento dealgoritmos mais precisos e confiáveis torna-se umanecessidade.

O objetivo da segmentação é particionar aimagem em um conjunto de regiões visualmentedistintas e uniformes com relação a algumapropriedade, como o nível de cinza, textura ou cor(ROSENFELD; KAK, 1982). Conformeestruturado por Gonzalez e Woods (2002), osmétodos de segmentação de imagem baseiam-seem duas propriedades básicas dos pixels comrelação a sua vizinhança local: descontinuidade esimilaridade. Quando fundamentados naspropriedades de descontinuidade dos pixels, osmétodos de segmentação são denominados“baseados em bordas”, já quando fundamentadosnas características de similaridade, são denominados“baseados em regiões”.

A abordagem baseada em bordas usa opostulado que mudanças no nível de cinza dos pixelsacontecem quando existe um limite entre duasregiões. A detecção de zonas de fronteira entreregiões é usualmente realizada por operações dediferenciação de primeira ordem, por exemplo,através dos filtros de gradiente Sobel (SOBEL,1970) e Roberts (ROBERTS, 1965). A vantagemessencial da abordagem baseada em bordas refere-se a sua arquitetura e facilidade de implementação.Em contrapartida, uma das principais limitaçõesdesta abordagem procede da maneira como asbordas são identificadas, as quais geralmente não

443Revista Brasileira de Cartografia, N0 65/3, p. 441-453, 2013

Um Novo Método de Segmentação de Imagem com Abordagem Baseada em Bordas e Regiões

correspondem aos limites verdadeiros dos objetose é suscetível a identificação de bordas falsas(ACHARYA; RAY, 2005).

Por outro lado, a abordagem baseada emregiões tenta isolar áreas da imagem que sãohomogêneas segundo determinadas características.Para isso, os pixels são submetidos a um processode agrupamento. Durante o processo desegmentação, as áreas candidatas podem aumentarde tamanho, serem comprimidas, divididas, criadasou eliminadas. Dentre diferentes métodos desegmentação baseado em regiões, o Crescimentode Regiões (Region Growing), introduzido emZucker (1976), é um dos mais populares (WAN;HIGGINS, 2003; ROSE et al., 2010).

A segmentação por Crescimento de Regiõesparte da seleção de pixels aleatórios, denominadossementes, de onde “crescem” as regiões a partirda união de pixels vizinhos que são similares deacordo com determinado critério. Este critério,também denominado por Predicado, geralmente éum valor limite adotado para determinar se um pixeldeve pertencer a uma região ou para comparar asimilaridade de duas regiões. Nestas comparaçõespodem ser observados atributos como a intensidademédia das regiões, sua variância, textura, tamanho,forma, etc. Uma discussão apurada sobre o métodoCrescimento de Regiões e diferentes tipos dePredicados é apresentada em Besl e Jain (1988).

Dentre diferentes qualidades, o métodoCrescimento de Regiões é capaz de proporcionarbons resultados de segmentação mesmo em imagenscom ruído, permite o uso de diferentes critérios e épouco sensível aos pixels semente utilizados. Poroutro lado, este método é computacionalmentecustoso, a variação de intensidade na imagemgeralmente provoca supersegmentação, e as regiõessegmentadas tendem a ser fragmentadas. Ainda,segundo Chang e Chen (2008), o métodoCrescimento de Regiões considera apenas ahomogeneidade das regiões para o delineamentodos limites das mesmas durante o processo desegmentação. Esta característica pode serobservada como uma fragilidade ou desvantagemdo método, uma vez que resultados inadequadospodem ser produzidos.

Dessa forma, devido a diferentescomportamentos que as imagens podem apresentar,os métodos de segmentação tendem a falhar na

geração de resultados acurados. Uma solução a esteproblema é proposta com a integração de métodosbaseados em bordas e regiões (TABB; AHUJA,1997; PAVLIDIS; LIOW, 1990; SINGH et al.2011).

2.2. Métricas para avaliação de segmentação

Para avaliação dos resultados desegmentação, as medidas quantitativas apresentadasem Delves et al. (1992) são uma opção. Estasmedidas baseiam-se nas diferenças entre a imagemsegmentada e seu respectivo resultado esperado,denominado por imagem de referência.

Segundo Delves et al. (1992), a primeiraetapa da avaliação de uma segmentação consistena comparação de regiões detectadas na imagemsegmentada e na imagem de referência. Ocoeficiente de ajuste entre as regiões da segmentaçãode referência e suas respectivas regiões segmentadaspode ser calculado por critérios de posição, valormédio dos pixels da região, dimensão e forma. Demodo formal, sejam R e S as imagens de referênciae segmentada, compostas por m linhas e n colunase particionadas respectivamente em k e l regiões.Denotando as regiões de R por r

i, i = 1,..., k, assim

como as regiões de S por sj, j = 1,..., l, são definidas

as seguintes medidas entre regiões:

(1)

(2)

(3)

(4)

onde d(t) é a quantidade de pixels de uma dadaregião t, enquanto µx(t), µy(t) e µv(t) sãorespectivamente os valores médios das abscissas,ordenadas e do nível de cinza dos pixels de t.



Sobre estas medidas, são definidas asmatrizes:

(5)

(6)

A matriz G descreve os pares de regiões compixels comuns, determinados entre as imagenssegmentada e de referência, dá uma relação entre onúmero de pixels nas intersecções destes pares deregiões e provê o número total de pixels em cadaum destes pares. Já a matriz F fornece a medida deajuste entre regiões, considerando o tamanho,posição, forma e valor do nível de cinza das mesmas.Para cada região ri da imagem de referência R, existeuma região sj em S cujo valor fi,j é mínimo,denominada região ajustada.

Após identificadas as regiões ajustas daimagem segmentada, a qualidade da segmentaçãopode ser computada a partir das seguintes medidasde ajuste:

(7)

(8)

(9)

(10)

Estas medidas quantificam o ajuste individualde cada região. Para representar o ajuste dasregiões de forma global, é computada a médiaaritmética dos ajustes individuais segundo cada umadas medidas. Assim, são obtidas as medidas Mpos,Mval, Mdim e Mfor, que quantificam respectivamenteos ajustes de posição, nível de cinza, dimensão eforma das regiões. Estas medidas estão contidasno intervalo [0,1], sendo 0 o pior nível de ajuste e 1o melhor. Ainda, é possível definir uma medida geralde ajuste das regiões, computando a média dasmedidas Mpos, Mval, Mdim e Mfor, ou seja:

(11)

3. O MÉTODO DE SEGMENTAÇÃO PRO-POSTO

3.1. Concepção do método proposto

Como mencionado, uma solução paradeterminadas fragilidades encontradas nos métodosbaseados em bordas e regiões deriva da integraçãode ambas as abordagens. Nesta subseção éintroduzido um novo método de segmentaçãobaseado em conceitos de detecção de bordas eregiões.

Essencialmente, este método consiste emdetectar as bordas das regiões que compreendema imagem a ser segmentada. Respeitando adelimitação imposta pelas bordas identificadas,ocorre a detecção das regiões.

A detecção das bordas é realizada por umprocesso de diferenciação, aplicado sobre cadapixel da imagem. O produto desta etapa é umaimagem de gradientes, cujos limites entre regiõespossuem valores mais elevados com relação aosinteriores das mesmas.

Sobre a imagem de gradientes é conduzida aidentificação das regiões. Para isso, é efetuado umprocesso de agrupamento entre os pixels da imagemde gradientes que são adjacentes entre si e possuemvalores abaixo de um dado limiar. O valor destelimiar é alterado de forma incremental ao longo doprocesso de segmentação, em função de umparâmetro definido pelo usuário. O incrementogradativo deste limiar implica no aumento do númerode pixels para agrupamento, e consequentemente,proporciona o surgimento de novas regiões ou aexpansão de regiões já existentes.

A discussão apresentadas introduz osprincipais conceitos do método automático desegmentação de imagens proposto. Verifica-se apartir desta discussão que a identificação das regiõesé um processo adaptativo, guiado pelos valores daimagem de gradientes e um limiar que aumentagradativamente durante a segmentação. Estacaracterística denomina o método por LimiarizaçãoAdaptativa. A subseção seguinte apresentaformalmente as etapas do método proposto.

3.2. Formalização do método

A primeira etapa realizada pelo método desegmentação proposto consiste na identificação dasbordas das regiões da imagem a partir de umprocesso de diferenciação. Este processo é



realizado com a aplicação de uma função sobre ospixels da imagem. Para isso, é utilizada a informaçãode apenas uma única banda da imagem, selecionadaa priori pelo usuário, caso a mesma possua maisque uma banda.

Formalmente, seja {B}p=1,...,m;q=1,...,n

, umabanda de uma dada imagem I, composta por mlinhas e n colunas. O processo de diferenciação érealizado com a aplicação da seguinte função:

(12)

onde bp,q

é um dado pixel de B, com}2,,2{ UUuk K−∈ e }2,,2{ VVvk K−∈ para k igual

a 1 ou 2, sendo U e V as dimensões da vizinhança.Como já mencionado, o resultado da aplicaçãodesta função é denominada imagem de gradientes.

A Figura 1 exemplifica um produto geradopela aplicação de (1) sobre uma imagem do satéliteGeoEye adotando U e V iguais a 2 (i.e. janela dedimensão 3×3). Nesta imagem de gradientes aidentificação das bordas que delimitam os diferentesalvos é mais visível com relação à imagem original.

O próximo procedimento consiste naidentificação das regiões a partir da imagem degradientes. Para isso, determina-se que as regiõesdevem ser expandidas a partir dos pixels da imagemde gradientes cujos valores estão abaixo de um dadolimiar. Este limiar, denotado por Lα, correspondeao valor da imagem de gradientes que separa osα% menores valores dos demais, sendo α umparâmetro definido pelo usuário.

Após o calculo de Lα, é selecionadoaleatoriamente um dado pixels da imagem degradiente cujo valor é inferior a este limiar. Tal pixelconsiste em uma semente de uma região. Esta região,inicialmente composta por um único pixel, éexpandida a partir do agrupamento com pixelsvizinhos. O agrupamento consiste em unir em uma

mesma região os pixels da imagem de gradientesque são adjacentes (i.e. os elementos da vizinhança8) a quaisquer pixel de uma dada região e cujovalor é inferior ou igual a Lα.

Formalmente, a expansão de uma dada regiãosj

a partir do processo de agrupamento é denotado

por:

(13)

O processo de agrupamento acontece até quenão seja mais possível agregar pixels a uma dadaregião. Neste caso, é selecionado um novo elementoda imagem de gradientes que seja inferior a Lα eque ainda não faça parte de nenhuma região,iniciando assim a expansão (agrupamento) de umanova região. Este processo deve ocorrer até quetodos os pixels da imagem de gradientes com valorinferior ou igual a Lα pertençam a uma dada região.

Em seguida torna-se necessária umaatualização do limiar. Para isso, é feito umincremento no valor de α, equivalente a seu valorinicial. Com o incremento de α, é definido um novoLα, que por sua vez torna disponível para expansão,ou definição de novas regiões, um novo conjuntode pixels da imagem de gradientes. Os pixels desteconjunto são selecionados aleatoriamente eutilizados no processo de agrupamento.

Cabe ressaltar que, quando um pixel éselecionado aleatoriamente e o mesmo é vizinho dealgum pixel que já pertença a uma região, o mesmoé automaticamente agregado a esta região. Ainda,quando o pixel selecionado é vizinho de pixelspertencentes a diferentes regiões, o mesmo deveser associado à região cujo número de vizinhos émaior. Na ocorrência de empate, o pixel é associadoaleatoriamente a uma das regiões.

Atualizações no valor de Lα são realizadasenquanto o valor de α for menor ou igual a 100.Nota-se que α é um parâmetro no métodoproposto que define o número de atualizações deLα que compreende o processo de segmentação.Por conveniência, este parâmetro pode ser obtidopela razão 1/β, sendo β o número de vezes que olimiar Lα é atualizado.

Ao fim do processo de segmentação éexecutada uma última etapa, a qual consiste emeliminar regiões cuja dimensão seja inferior a umvalor definido de Área Mínima. Este valor é outroparâmetro para o processo de segmentação. A

Fig.1 - Imagem de gradientes. Resultado daoperação para identificação dos limites das regiões.



ordem de eliminação das regiões acontece em funçãode suas dimensões, sendo eliminadas primeiramenteas regiões menores. Para eliminação de uma região,são verificadas todas as regiões vizinhas (i.e.possuem fronteira). Em seguida são calculadas asdistâncias euclidianas entre a região a ser eliminadae suas vizinhas. Esta distância é baseada no valormédio dos pixels das regiões com relação à imagemoriginal. A eliminação de regiões pequenas é umprocedimento usualmente realizado pelos métodosde segmentação. O método de segmentação porCrescimento de Regiões, por exemplo, utiliza esteprocesso.

A Figura 2 ilustra de forma simplificada oprocesso de agrupamento sobre uma imagem degradientes fictícia (Figura 2.a). Na Figura 2.b o limiarinicial equivale ao mais baixo nível da escala dediferenças absolutas, que por sua vez define quatroregiões diferentes, indexadas por 1, 2, 3 e 4. O“ponto” no canto superior esquerdo de alguma dascélulas identifica o pixel semente que deu origem aregião. Na Figura 2.c, com o incremento no valordo limiar, o mesmo passa a equivaler ao terceironível da escala de valores de diferenças absolutas.Este limiar, por sua vez, proporciona o surgimentodas regiões 5 e 6. Nota-se que estas regiões sãocompostas por pixels de diferentes valores (cores),uma vez que para definição de uma nova região é

necessário que existam pixels que não pertençam anenhuma região e cujo valor na imagem degradientes seja menor ou igual que limiar definido.Por fim, na Figura 2.d, após um novo incrementono limiar, é alcançado o valor máximo da escala. Aregião 4 é expandida em função do pixel sementeselecionado aleatoriamente para iniciar esta etapa.O mesmo acontece com a região 6. Neste caso, opixel selecionado está na vizinhança de pixels dasregiões 5 e 6, no entanto, o número de vizinhos daregião 6 é maior.

Com objetivo de organizar os conceitosintroduzidos ao longo desta seção, a Figura 3apresenta um fluxograma com as etapas do métodode segmentação proposto.

Fig.2 - Exemplificação do processo deagrupamento.

4. EXPERIMENTOS REALIZADOS

Nesta seção são realizadas análisescomparativas entre o método proposto e o métodode segmentação por Crescimento de Regiões(BESL; JAIN, 1988). Optou-se em utilizar ométodo Crescimento de Regiões como referencialdevido sua popularidade em diferentes aplicaçõesenvolvendo segmentação de imagens.

Esta análise comparativa é baseada em doisestudos de caso. O primeiro estudo (Subseção 4.1)consiste na aplicação de tais métodos sobre umconjunto de dados simulados, enquanto o segundoestudo (Subseção 4.2) consiste na aplicação em umaimagem real de sensoriamento remoto. Acomparação é baseada nas métricas de avaliaçãode segmentação apresentadas na Subseção 2.2.

4.1. Segmentação de imagens simuladas

Esta subseção apresenta um estudocomparativo entre os métodos Limiarização

Fig.3 - Fluxograma de etapas do método proposto.



Adaptativa e Crescimento de Regiões baseado emimagens simuladas. Para isso, as Subsubseções4.1.1 e 4.1.2 apresentam uma metodologiadesenvolvida para geração de imagens sintéticas.A Subsubseção 4.1.3 fundamenta-se na exposiçãoe discussão do desempenho dos métodosanalisados na segmentação das imagens sintéticasgeradas.

4.1.1 Geração de segmentações simuladas

O uso de imagens simuladas permite acondução de experimentos controlados, isto é,experimentos cujo comportamento dos alvos éconhecido a priori, além de permitir a realizaçãode avaliações sem a influência de uma imagemparticular. Para construção do conjunto de imagenssimuladas foram geradas inicialmente diferentessegmentações de imagens. As regiões dassegmentações simuladas são então preenchidascom pixels que reproduzem o comportamento dealvos observados em imagens reais desensoriamento remoto.

Neste estudo foi elaborado umprocedimento automático para simulação deimagens especificas para segmentação. A primeiraetapa deste procedimento requer a definição dasdimensões das imagens simuladas. Para este estudoa dimensão definida foi de 150×150 pixels.

Em seguida, a área de 150×150 pixels épreenchida com valores aleatórios segundo umadistribuição de probabilidade uniforme, com valoresentre 0 e 1. Após esta etapa, são selecionadosaleatoriamente pixels desta “imagem de valoresrandômicos”. Cada pixel selecionado é interligadoa um dos vizinhos (pixels) adjacentes cujo valorde probabilidade é maior. Por sua vez, o vizinhoselecionado é interligado a seu respectivo vizinhode maior probabilidade, e assim sucessivamente.

Este procedimento é realizado repetidamenteaté que seja selecionado um pixel que já foiutilizado anteriormente, e então, uma nova posiçãoé selecionada aleatoriamente. O processo descritoé finalizado quando o número de pixelsselecionados totaliza 5% da área de 150×150pixels. O conjunto dos pixels selecionados éresponsável por definir apenas as bordas dasregiões da segmentação simulada.

A Figura 4.a apresenta as bordas de umasegmentação simulada, enquanto as respectivasregiões são mostradas na Figura 4.b.

4.1.2 Geração de imagens simuladas

Após a simulação das segmentações,conforme apresentado na Subsubseção 4.1.1, torna-se necessário simular o comportamento de suasregiões. Reproduzir o comportamento de alvos reaisé uma maneira de realizar tal simulação.

Sob esta consideração, foram selecionadosdiferentes tipos de cobertura da terra em umaimagem LANDSAT-5 TM adquirida em 26 desetembro de 2010, referente uma região localizadaao longo da rodovia BR-163, próxima à FlorestaNacional do Tapajós, no Estado do Pará. A seleçãodesta região é justificada pelo conhecimento dediferentes tipos de cobertura da terra existentes nolocal, devido a um levantamento de campoconduzido no mesmo período da aquisição daimagem. Para simulação do comportamento dasregiões foram considerados 13 tipos diferentes decobertura da terra, os quais são citados na Tabela1 e identificados na Figura 5.

Para cada região das segmentações simuladasé associado aleatoriamente um tipo de coberturada terra. Esta região é preenchida com valoresgerados por uma distribuição Gaussiana cujosparâmetros média e variância são estimados a partirde amostras referentes ao tipo de cobertura de terraassociada. Cabe ressaltar que os métodos avaliadosneste estudo utilizam apenas uma banda espectralpara segmentação da imagem. Dessa forma, foiutilizada apenas a banda 4 (infravermelho próximo),uma vez que esta proporciona a melhor distinçãoentre os tipos de cobertura da terra identificados naimagem adotada. A Figura 6.b ilustra uma imagemsimulada obtida com o preenchimento das regiõesda segmentação mostrada na Figura 6.a segundo ocomportamento dos diferentes tipos de coberturada terra identificados na Figura 5.

Fig.4 - Simulação de imagens segmentadas. Em (a)são definidas as bordas das regiões, já em (b) érealizada a consolidação das regiões a partir dasbordas definidas.



De acordo com Bustos e Frery (1992), nosestudos envolvendo experimentos com dadossimulados, é necessário realizar milhares derepetições, visando a obtenção de resultados comníveis de qualidade aceitáveis. No entanto, devidoo custo computacional exigido pelos algoritmos desegmentação, esta exigência torna-se um fatorlimitante. Assim, para este estudo foi gerado umconjunto composto por 100 imagens simuladas,provenientes de diferentes segmentações simuladas.

4.1.3. Análises comparativas

A primeira etapa executada para análisecomparativa entre o método de segmentação porCrescimento de Regiões e o método propostorefere-se ao ajuste dos parâmetros. Para isso, foirealizada uma busca exaustiva em um intervalo fixode valores de parâmetros dos diferentes métodosanalisados. O parâmetro Área Mínima, exigido emambos os métodos analisados, foi observadovariando entre 10 e 300 em passos de tamanho 10.O efeito do parâmetro Predicado, usado no métodoCrescimento de Regiões, foi observado no intervalode 5 a 200 em passos de tamanho 5. Já o parâmetroβ, exigido pelo método Limiarização Adaptativa,foi observado no intervalo de 1 a 10 em passos de0,5.

Para cada configuração de parâmetros, emambos os métodos, foram segmentadas todas as100 imagens do conjunto de imagens simuladas. Paracada segmentação realizada foi computada a medidageral de ajuste, expressa pela Equação (11). Apósa execução das 100 segmentações, para uma dadaconfiguração de parâmetros, foi computada a médiaaritmética da medida geral de ajuste.

Com isso, foi possível identificar osparâmetros que proporcionam o melhordesempenho sobre todo o conjunto de dadossimulados. O gráfico apresentado na Figura 7ilustra o desempenho do método de segmentaçãopor Crescimento de Regiões diante diferentescombinações de valores para os parâmetros ÁreaMínima e Predicado. Neste caso, é possívelverificar que quando o Predicado assume valorespróximos a 10, a medida de ajuste geral atingevalores mais elevados, independente do parâmetroÁrea Mínima. Já o gráfico da Figura 8 ilustra odesempenho do método Limiarização Adaptativa

Tabela 1 - Tipos de cobertura da terra identificadosna imagem LANDSAT-5 TM

Fig.5 - Imagem LANDSAT-5 TM, banda 4, eamostras de cobertura da terra. Os índices ilustradosrelacionam as amostras com os tipos de coberturada terra mencionados na Tabela 1.

Fig.6 - Imagem simulada (b) obtida com opreenchimento das regiões da segmentação (a)segundo os diferentes tipos de cobertura da terraapresentados na Figura 5.



segundo as combinações dos parâmetros ÁreaMínima e β. De modo geral, o valor de β queproporciona os maiores índices de ajuste encontra-se próximo de 4.

Sendo assim, fixando os valores dePredicado e b iguais a 10 e 4, respectivamente, épossível realizar uma avaliação mais precisa dosmétodos analisados em função do parâmetro ÁreaMínima.

Nesta etapa da análise o conjunto de imagenssimuladas foi segmentado considerando valores doparâmetro Área Mínima variando entre 100 e 3100em intervalos de 25. Para cada resultado desegmentação foram computadas as medidas Mpos,Mval, Mdim e Mfor. Os gráficos apresentados nasFiguras 9 a 16 exibem tais resultados. Para melhorcomparação entre os diferentes métodos, foiadotada uma mesma escala de cor para cadamedida de ajuste. Com esta padronização, torna-

se mais simples a verificação visual dos resultados.As Figuras 9 e 10 exibem o desempenho dos

métodos segundo o ajuste de posição das regiões.Com relação a esta primeira medida, o métodoLimiarização Adaptativa alcançou melhores valoresde ajuste, principalmente para valores pequenos deÁrea Mínima. Com relação a esta medida, a partirde valores próximos a 1600, o método Crescimentode Regiões tende a apresentar resultados inferiores.

Nas Figuras 11 e 12 são verificados osdesempenhos segundo o ajuste do nível de cinzadas regiões. Neste caso, o método LimiarizaçãoAdaptativa sofre uma queda acentuada nodesempenho com o aumento da Área Mínima, aocontrário do Crescimento de Regiões, que emboratambém apresente uma diminuição no desempenhocom o aumento de valor deste parâmetro, estadiminuição é mais amena. Verifica-se novamente queos melhores níveis de desempenho do métodoLimiarização Adaptativa encontram-se para valoresbaixos de Área Mínima.

Os resultados sobre ajuste de dimensão sãoapresentados nas Figuras 13 e 14. Segundo estamedida, o método Limiarização Adaptativa torna-se superior para valores de Área Mínimaaproximadamente entre 100 e 300. Porém, paravalores maiores, seu desempenho é crítico. Maisuma vez o método Crescimento de Regiõesmostrou-se menos sensível ao aumento da ÁreaMínima.

Um comportamento muito semelhante aosresultados sobre o ajuste de dimensão é apresentadopara o ajuste de forma, como exposto nas Figuras15 e 16.

Fig.7 - Desempenho diante diferentes configuraçõesde parâmetros do método Crescimento de Regiões.

Fig.8 - Desempenho diante diferentes configuraçõesde parâmetros do método Limiarização Adaptativa.

Fig.9 - Desempenho do método Crescimento deRegiões segundo a medida de ajuste de posiçãodiante diferentes valores de Área Mínima.



Fig.10 - Desempenho do método LimiarizaçãoAdaptativa segundo a medida de ajuste de posiçãodiante diferentes valores de Área Mínima.

Fig. 11 - Desempenho do Crescimento de Regiõessegundo a medida de ajuste de nível de cinza diantediferentes valores de Área Mínima.

Fig.12 - Desempenho do método LimiarizaçãoAdaptativa segundo a medida de ajuste de nível decinza diante diferentes valores de Área Mínima.

Fig.13 - Desempenho do método Crescimento deRegiões segundo a medida de ajuste de dimensãodiante diferentes valores de Área Mínima.

Fig.14 - Desempenho do método LimiarizaçãoAdaptativa segundo a medida de ajuste dimensãodiante diferentes valores de Área Mínima.

Fig.15 - Desempenho do método Crescimento deRegiões segundo a medida de ajuste de forma diantediferentes valores de Área Mínima.



De acordo com os resultados apresentados,foi observado que o parâmetro Área Mínima influina qualidade dos resultados em ambos os métodos,sendo o Crescimento de Regiões menos sensível.Por outro lado, para valores pequenos desteparâmetro, o método Limiarização Adaptativafornece no geral resultados mais acurados.

Verifica-se ainda que as maiores diferençasentre os métodos analisados, considerando valoresde Área Mínima abaixo de 1000, são identificadaspelas medidas de ajuste de dimensão (Mdim) e forma(M for). Como já mencionado, o métodoCrescimento de Regiões realiza a delimitação dasregiões com base na homogeneidade destas regiões,o que o torna suscetível a determinação de limitesmal definidos. Ao contrário, a delimitação dasregiões pelo método proposto está vinculada aimagem de gradientes, o que pode garantir melhorajuste na forma e na dimensão das regiõessegmentadas.

4.2. Segmentação de imagem desensoriamen-to remoto

Nesta subseção é apresentada umacomparação entre os métodos LimiarizaçãoAdaptativa e Crescimento de Regiões nasegmentação de uma imagem real de sensoriamentoremoto. Para isso foi utilizada uma subárea de umaimagem da área urbana de São José dos Campos –SP, adquirida pelo satélite IKONOS em 27 de junhode 2007. Apenas a banda pancromática foi utilizada.A escolha desta imagem é justificada principalmenteem função de sua alta resolução espacial (1 metro),

que possibilita a identificação visual de diferentesalvos de forma precisa, permitindo assim a realizaçãode uma segmentação manual adequada. A Figura17 ilustra a imagem adotada e uma segmentaçãomanual, definida como segmentação de referência,utilizada para comparação dos métodos segundoas métricas de avaliação de segmentaçãoapresentadas na Subseção 2.2.

A partir desses dados, diferentes parâmetrosde segmentação foram observados visando obteros melhores índices de ajuste. Os gráficos dasFiguras 18 e 19 ilustram os resultados das diferentesconfigurações de parâmetros para os métodosproposto e Crescimento de Regiões.

De acordo com os resultados de ajustes desegmentação apresentados nas Figuras 18 e 19,verifica-se que o método Limiarização Adaptativaalcança melhores resultados quando os parâmetrose β e Área Mínima equivalem a 5,5 e 30,respectivamente. Já o método Crescimento de

Fig.16 - Desempenho do método LimiarizaçãoAdaptativa segundo a medida de ajuste de formadiante diferentes valores de Área Mínima.

Fig.18 - Desempenho diante diferentesconfigurações de parâmetros do métodoLimiarização Adaptativa na segmentação da imagemIKONOS (Figura 17.a) segundo a medida geralde ajuste.

Fig.17 - Subárea de imagem IKONOS, visualizadasegundo a banda pancromática, referente a cidadede São José dos Campos (a), e segmentaçãomanual desta subárea (b).

(a) (b)



Fig.19 - Desempenho diante diferentesconfigurações de parâmetros do métodoCrescimento de Regiões na segmentação daimagem IKONOS (Figura 17.a) segundo a medidageral de ajuste.

método Crescimento de Regiões proporcionouregiões de sobresegmentação, como ocorre no cantoinferior esquerdo da Figura 20.b. Embora oproblema de sobresegmentação não seja verificadona Limiarização Adaptativa, os limites das regiõesde menor área apresentam problemas de ajuste, oque é refletido principalmente pela medida Mfor epode ser verificado visualmente na Figura 20.a.

5. CONCLUSÕES E PERSPECTIVAS

Neste trabalho foi proposta um novo métodode segmentação de imagem, denominadaLimiarização Adaptativa. Para validação, foramrealizados dois estudos comparativos com o métodoCrescimento de Regiões, o qual é amplamentedivulgado e usualmente empregado em diferentesaplicações.

Os resultados apresentados mostraram queo método proposto alcança melhores índices deajuste, comparado ao método Crescimento deRegiões, desde que seja permitida asupersegmentação das imagens. A produção desupersegmentações não deve ser entendida comouma deficiência, mas sim uma característica dedeterminados métodos de segmentação. Nasaplicações envolvendo segmentação, por exemplo,de áreas urbanas a partir de imagens desensoriamento remoto de altíssima resolução, autilização de métodos capazes de produzirsupersegmentações mais precisas torna-se umacaracterística desejável.

Para estudos futuros, e o aprimoramento dométodo proposto, devem ser analisados novosmeios mais precisos para detecção de borda dosalvos, estender o método tornando-o capaz deconsiderar múltiplas bandas para o processo de

Tabela 2 - Medidas de ajuste obtidas nasegmentação da imagem IKONOS pelos métodosanalisados

regiões atinge melhores índices de ajuste quandoambos os parâmetros Predicado e Área Mínimasão iguais a 20. Segundo tais configurações deparâmetros, a Tabela 2 apresenta os valores dasmedidas de ajuste (i.e. Mpos, Mval, Mdim, Mfor eMgeral) obtidas por ambos os métodos.

De acordo com os coeficientes de ajusteapresentados na Tabela 2, verifica-se que o métodoLimiarização Adaptativa alcança melhoresresultados, principalmente com relação as medidasde dimensão (Mdim) e forma (Mfor) das regiõessegmentadas, como já verificado nos experimentosda Subseção 4.1. Tais resultados de segmentaçãosão apresentados na Figura 20.

A segmentação gerada pelo métodoCrescimento de Regiões identificou regiões estreitas,proporcionando um efeito de “borda dupla” emalgumas áreas, o que não é verificado nasegmentação obtida pelo método LimiarizaçãoAdaptativa. No entanto, é possível observa-se queos limites das regiões segmentadas pelo métodoLimiarização Adaptativa apresentam maiorsinuosidade.

Ao comparar a segmentação de referênciaàs segmentações geradas, é possível notar que o

Fig. 20 - Segmentações da imagem IKONOS(Figura 17.a) segundo os métodos LimiarizaçãoAdaptativa (a) e Crescimento de Regiões (b),segundo as configurações.

(a) (b)



segmentação e por fim, avaliar outras estratégias,seja ela estatística ou ad-hoc, usada no processode eliminação de áreas que não atingem a dimensãomínima exigida, definida pelo parâmetro ÁreaMínima.

AGRADECIMENTOS

Os autores agradecem a CAPES pelo suportefinanceiro.

REFERÊNCIAS BIBLIOGRÁFICAS

ACHARYA, T.; RAY, A. K. Image processing,principles and applications. New Jersey: JohnWiley and Sons, 2005. 425p.

BESL, P. J.; JAIN, R. C. Segmentation throughVariable-Order Surface Fitting.IEEE Transactionson Pattern Analysis and Machine Intelligence,p.167-192, 1988.

BUSTOS, O.H.; FRERY, A.C. Simulaçãoestocástica: teoria e algoritmos. Rio de Janeiro,IMPA, 1992. 148p.

CHANG, L. Y.; CHEN, C. F. A Multi-Scale RegionGrowing Segmentation for High ResolutionRemotely Sensed Images. Journal ofPhotogrammetry and Remote Sensing. v.13, n.2,p.158-164, 2008.

CUFÍ, X.; MUÑOZ, X.; FREIXENET, J.;MARTÍ, J. A Review on Image SegmentationTechniques Integrating Region and BoundaryInformation. Advances in Imaging and ElectronPhysics. Eds. HAWKES, P. W., Academic Press,v.120, p.1-39, 2002.

DELVES, L.M.; WILKINSON, R.; OLIVER,C.J.; WHITE, R.G. Comparing the performance ofSAR segmentation algorithms. InternationalJournal of Remote Sensing, v.13, n.2, p.2121-2149, 1992.

GONZALES, R. C.; WOODS, R. E. Digitalimage processing. Addison-Wesley, New York,2002. 190p.

PAVLIDIS, T.; LIOW, Y. T. Integrating regiongrowing and edge detection. IEEE Transactions onPattern Analysis and Machine Intelligence, n.12, v.3,p.225–233, 1990.

ROBERTS, L. G. Machine perception of three-dimensional solids. In: TIPPETT, J. T.; CLAPP,L. C. (Eds.) Optical and electro-opticalinformation processing, MIT Press, Cambridge,Massachusetts, pp. 159-197, 1965.

ROSE, J.; GREINER, T.; REVOL-MULLER, C.;ODET C. Unifying variational approach and regiongrowing segmentation. European SignalProcessing Conference, p.1781-1785, 2010.

ROSENFELD, A.; KAK, A. Digital pictureprocessing - vol. 2, Academic Press, Orlando,Florida, 1982. 435p.

SINGH, R.; SINGH J.; SHARMA, P.; SHARMA,S. Edge Based Region Growing. InternationalJournal of Computer Technology andApplications, n.4, v.2, p. 1122-11126, 2011.

SOBEL, I. E. Camera Models and MachinePerception, PhD thesis, Electrical EngineeringDepartment, Stanford University, Stanford,California, 1970.

TABB, M.; AHUJA, N. Multiscale imagesegmentation by integrated edge and regiondetection. IEEE transactions on imageprocessing, n.6, v.5, p.642–655, 1997.

WAN, S.; HIGGINS, W. Symmetric RegionGrowing. IEEE Transactions on ImageProcessing. v.12, n.9, p.1007-1015, 2003.

ZUCKER, S. W.; Region growing: Childhood andadolescence, Computer Vision, Graphics andImage Processing, v.5, p.382-399, 1976.

UM NOVO MÉTODO DE SEGMENTAÇÃO DE IMAGEM...

Documents

Transcript of UM NOVO MÉTODO DE SEGMENTAÇÃO DE IMAGEM...