III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Segmentação de imagens por agrupamento de regiões: uma comparação entre aabordagem funcional e por grafosCarolina Toledo FerrazSérgio F. da SilvaOdemir M. BrunoUSP - Universidade de São PauloICMC-Instituto de Ciências Matemáticas e de ComputaçãoCx Postal 668 - CEP 13560-970 São Carlos (SP)caferraz, sergio, bruno@icmc.usp.brResumoNeste artigo é apresentada uma análise de dois métodosde segmentação de imagens baseados em crescimento deregiões: 1) Mumford-Shah, onde é minimizado um funcionalde energia e, 2) Segmentação baseada em grafos, ondeutiliza-se a abordagem de grafos. Resultados experimentaisevidenciam aspectos qualitativos, além da usabilidadee aplicabilidade dos métodos. Através da análise dos experimentosfoi concluído que o modelo de Mumford-Shah émais robusto principalmente por não depender de conhecimentoa priori sobre as imagens e ter maior aplicabilidade,possuindo menos parâmetros a serem ajustados.1. IntroduçãoSegmentação de imagens refere-se ao processo de dividiruma imagem em regiões ou objetos. Espera-se comoresultado que pixels em uma região, sejam similares comrelação a uma dada característica, como por exemplo, intensidade,cor e textura, enquanto que pixels entre regiõespossuam diferenças significativas com respeito à mesma característica.Atualmente a segmentação de imagens tornou-se um dosprincipais temas de pesquisa da área de processamento deimagem, uma vez que ela é imprescindível para diversasaplicações, tais como:• Imagens médicas [15];• Imagens de satélite [11];• Sistemas biométricos [5, 2];A segmentação de imagens para aplicações gerais éumproblema aberto a pesquisa [14]; no entanto, é trivial estabelecerum guia qualitativo de uma boa segmentação. Haralicke Shapiro [7] estabeleceram que uma boa segmentaçãodeve satisfazer os seguintes critérios:1. Regiões de uma imagem devem ser uniformes comrelação a uma dada característica, tal como, tom de cinza,cor ou textura.2. Regiões adjacentes devem ter valores significantementediferentes com relação a uma dada característica, sobrea qual elas são uniformes (ítem 1).3. Os contornos de cada segmento devem ser simples (suaves)e precisos espacialmente.Normalmente, um processo de segmentação é mais complexodo que separar dados através de um limiar [14]. Alternativamente,pode-se pensar em segmentação como umproblema de agrupar dados similares, e desta forma, utilizara teoria de agrupamento de dados [1] para segmentarimagens [17]. Neste contexto, torna-se natural pensar emsegmentação de imagens em termos de agrupamento de pixelsque pertencem á mesma classe (região). O critério a serusado no processo de agrupamento depende da aplicação.Pixels podem pertencer a uma mesma classe por terem amesma cor, a mesma textura, ou a mesma intensidade debrilho, etc.Agrupamentos (segmentação) podem ser construídos pormeio de uma abordagem de grafos. Considere um grafoponderado onde os vértices correspondem aos pixels, asarestas a pares de pixels, e os pesos destas à similaridadedos pixels que as compõem. Separar o grafo em componenentesconectados com pesos relativamente grandes cortandoas arestas com pesos relativamente baixos - corte degrafo - tem se tornado uma técnica bastante popular parasegmentar imagens [6, 16].Boa parte dos métodos de segmentação de imagens utilizamos conceitos de crescimento e/ou divisão de regiões.Neste artigo serão apresentados e comparados dois métodospara a segmentação de imagens por crescimento de regiões:segmentação via funcional de Mumford-Shah e baseada emgrafos. Estruturalmente estes dois métodos são bastante si-46