Aula 6 Segmentação
-
Upload
ednilson-freitas -
Category
Documents
-
view
24 -
download
0
Transcript of Aula 6 Segmentação
-
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.