Segmentação de Imagem

Segmentação Limiar em Tons de Cinza

Marcello Santos da Fonseca

 

  1. Introdução: Segmentação

    2. A segmenta��o de imagem consiste em dividir a imagem em regi�es que dizem respeito ao mesmo conte�do e aplica��o. Existem objetos de interesse em uma imagem e podemos isolar aqueles pixeis que n�o fazem parte desses objetos. Um exemplo � a an�lise da cobertura de nuvens onde desejamos medir a �rea das nuvens em uma foto de sat�lite. As nuvens fazem parte das �reas de interesse ou objetos e precisamos identificar aqueles pixeis na imagem que devem pertencer �s nuvens. Tradicionalmente a segmenta��o de imagem tem sido vista como um est�gio pr�vio de processamento para reconhecimento ou an�lise. N�s segmentamos a imagem e ent�o a processamos. Uma aproxima��o geral em muitos dos m�todos de segmenta��o � agrupar, de alguma forma, os pixeis com mesma propriedade, isto �, mesma intensidade, cor ou regi�o com textura semelhante. Por exemplo, n�s podemos dividir a imagem em regi�es de textura correspondente � �rea de campos ou floresta para medir a extens�o de uma regi�o em uma aplica��o particular. A segmenta��o diz mais respeito a an�lise de imagem do que ao processamento de imagem. Embora n�o haja uma fronteira clara entre as duas, n�s podemos dizer que processamento de imagem trata de imagem que � fornecida como um dado de entrada e resulta em uma sa�da na forma de imagem. A an�lise de imagem envolve redu��o na informa��o contida na imagem, alguma extra��o de conhecimento. Retomando o exemplo da an�lise de imagem de sat�lite coberta com nuvens, que pode envolver uma simples estrat�gia como a limiariza��o da imagem de forma bin�ria, isto �, sua binariza��o. Em aplica��es mais exigente a segmenta��o � mais dif�cil. A segmenta��o parece ser uma opera��o que, n�s enquanto seres humanos, fazemos f�cil porque nosso Sistema Visual trabalha de forma paralela e nos parece que nosso reconhecimento dos objetos em uma cena � instant�neo. Nos reconhecemos ou segmentamos os objetos por inteiro quando consideramos a imagem na sua totalidade. Embora em alguns casos podemos tamb�m usar a informa��o de profundidade para auxiliar na segmenta��o. Nos deduzimos contornos do objeto onde n�o existe como demonstrado na ilus�o de Kanizsa - "Kanizsa Illusion", mostrada na figura 1.

    Figura 1. Ilus�o de Kanizsa

    Na segmenta��o por computador, n�s geralmente consideramos um pixel de cada vez e, principalmente, n�o usamos informa��o j� obtidas de opera��es pr�vias nos pixeis em sua vizinhan�a. Para n�s humanos a tarefa de reconhecimento � trivial porque nos n�o realizamos a tarefa de segmenta��o de forma independente de nosso conhecimento do cena �, ela sempre considera os objetos familiares. Nos usamos nosso conhecimento ou experi�ncia para decodificar a imagem e � dif�cil, ou imposs�vel comentar sobre os poss�veis processos de baixo n�vel que podem, ou n�o fazer parte de um processo maior. Usando fases de opera��o de segmenta��o como parte da an�lise da imagem, um exemplo perfeito da maneira na qual a pesquisa computacional em problemas dif�ceis se processam. N�s dividimos o problema em fases ou passos, os quais n�s sabemos que podemos tratar mais facilmente como, por exemplo, para escrever programas de software, produzir equipamento especial, ou utilizar conhecimento j� existente. Esta � a aproxima��o evolutiva da pesquisa na Ci�ncia da Computa��o. Neste caso estamos dizendo, de forma sensata, para proceder a an�lise do problema de alguma imagem o primeiro t�pico da imagem para reduzir o n�vel do pixel atrav�s de opera��o no primeiro passo na hierarquia de opera��es que gradualmente reduz o volume de informa��o na imagem e nos ajuda a tomar decis�o sobre a estrutura de interesse na imagem. A forma simples de segmenta��o � a limiariza��o ou "Thresholding". A Segmenta��o cl�ssica est� dividida em tr�s t�cnicas. � Global: Segmenta��o baseada em conhecimento global, relativo � intensidade do pixel. � Baseada na Regi�o: Segmenta��o baseada na regi�o trata-se do processo de divis�o da imagem em regi�es que exibem propriedades similares. � Baseada na Borda: Segmenta��o baseada na regi�o trata-se da t�cnica usada para detec��o de borda para achar o contorno fechado da imagem. Este trabalho visa abordar a segmenta��o limiar em tons de cinza ou Grey scale thresholding.

  2. Segmentação Limiar em tons de cinza "Grey scale thresholding".

    3. Esta � a mais antigo das t�cnicas de segmenta��o, mas ela s� � apropriada para uma n�mero de limitado de aplica��es. Ela � usada em cenas que o objeto exibe valores de brilho contra um fundo (n�o desejado) com outros valores diferentes do objeto. Um exemplo deste tipo de imagem � um texto usado para opera��o de OCR (Optical Character Recognition), ou para sistema de inspe��o para controle de qualidade. Podemos fazer opera��es na imagem para posteriormente contar o n�mero de elementos na imagem, medir sua �rea ou outra propriedade geom�trica das partes, e assim por diante. Decidimos o "threshold" limiar e qualquer pixel com valor superior (ou inferior) ao limiar � suposto pertencer ao objeto; ou o valor inferir (ou superior) limiar � suposto fazer parte do fundo da imagem. O resultado desta opera��o � a binariza��o da imagem. Para exemplificar como definir o ponto de limiar ou "threshold" vamos examinar os histogramas mostrados mas figuras 2-(a), 2-(b), 2-(c), e 2-(d).

    Figura 2.a � Imagem original

     

    Figura 2.(b) � Histograma original

     

    Figura 2.(c) � Imagem Limiarizada � threshold 100

     

    Figura 2.(d )� Histograma Limiarizado

     

    Se a imagem � apropriada para este tipo de segmenta��o, ent�o o histograma deve exibir picos relativos ao grupo de pixeis do objeto e do fundo da imagem em uma estreita faixa de tons de cinza. Isto �, nos dizemos que os objetos produzem agrupamento de tons de cinza. Neste caso o histograma deve ser bimodal e podemos fixar o limiar ao achar o valor entre os dois picos do histograma. Um exemplo de imagem que exibe muitos picos no histograma � mostrado na figuras 3-(a),3-(b),3-(c),3-(d).

    Fig 3-(a) - Imagem Original

     

    Fig 3-(b) - Histograma Original

     

    Fig 3-(c) - Imagem Limiarizada - Threshold 196

     

    Fig 3-(d) - Histograma Limiarizado

    Mas a imagem ter uma distribui��o bimodal n�o implica que esta imagem consista de um objeto contra um fundo. Uma imagem com ru�do rand�mico - pontos pretos e brancos - exibiria um histograma unimodal. Desta forma, est� t�cnica n�o pode ser usada neste tipo de imagem, bem como na natureza onde as regi�es s�o distinguidas por diferentes texturas. A limiariza��o em tons de cinza pode segmentar a textura da regi�o em v�rias partes diferentes, como pode se observado nas figuras 4-(a) e 4-(b).

    Fig 4-(a) Imagem com Ruído Gaussiano

     

    Fig 4-(b) Histograma da Imagem

     

    O processo para determina��o do ponto de "Threshold" de um histograma pode ser tanto interativo ou heur�stico. Devemos, por exemplo, examinar a curva do histograma a procura de um m�nimo significativo. Como alternativa podemos definir o threshold sem o histograma usando a seguinte estrat�gia.

    1. Assumindo que os pixeis dos quatro cantos da imagem pertencem ao fundo e definindo uma média inicial para a intensidade do fundo e para intensidade do objeto assumindo que todo os pixeis restante pertencem ao objeto.

    2. Iterar usando a definição de threshold até existir uma diferença suficientemente pequena entre

    Ti+1 e Ti.

     

    Ti+1 = (m ifundo + m iobjeto)/2 (1)

    Onde: m ifundo e m iobjeto são calculados após aplicar Ti.

     

    É óbvio que o uso de segmentação por threshold produz erros de classifica��o, a extens�o desse erro depende do pr�prio histograma exibido da imagem como pode ser visto na figura 5. Ela mostra que um histograma � a soma de dois histogramas de objetos individuais, que exibem intensidade dos pixeis do lado "errado" do threshold. Demonstrado que a sele��o de um simples limiar n�o pode ser correto em tal caso.

    Figura 5.

     

    Uma extens�o �bvia para uma estrat�gia simples de threshold e assumir que podemos usar ainda uma aproxima��o, mas agora o threshold tem que ser aplicado a sub-regi�es da imagem, tomando diferente valores de regi�o em regi�o. Assumindo que temos o fundo de uma cena, nos dividimos a imagem em pequenas regi�es e procuramos por um histograma bimodal em cada regi�o, n�s precisamos identificar, tamb�m, regi�es que n�o exibem bimodularidade e assumirmos que estas s�o de todo objeto ou de todo fundo. De outra maneira, nos podemos "for�ar" a segmenta��o onde n�o deve haver, baseada em varia��es insignificante com ru�do.

  3. Método Chow e Kaneko

    4. O m�todo foi proposto por Chow C. K. e Kaneko em 1972 no paper "Automatic boundary detection of left ventricle from cineangiograms, Computer in Biomedical Research"; consiste em dividir a imagem em blocos de 64x64 pixeis sobrepondo regi�es e testando a bimodularidade em cada regi�o do histograma tentando fixar um par de curvas Gaussianas ao histograma. Se a regi�o n�o exibe bimodularidade assumi-se ser todo objeto ou fundo fixado um threshold da regi�o vizinha. A estrat�gia final envolve alocar o threshold definido no processo pr�via em cada contos da imagem . O tratamento matem�tico do m�todo pode ser visto em "Digital Imagem Processing" autor Rafael G. Gonzales e Richard E. Woods. p�gina 447, item 7.3.4.

  4. Aplicações e Conclusão.

    5.

    A Segmenta��o Limiar em Tons de Cinza � a t�cnica aplicada em diversas �rea entre elas podemos citar:

    � �rea m�dica

    � �rea industrial (controle de qualidade)

    � �rea radar e sat�lite

    Esta t�cnica �, tamb�m, usada quando se deseja imagem binarizadas com pr�-processamento para outras aplica��es. Podemos dizer que o m�todo de segmenta��o limiar em tons de cinza � um dos m�todos mais velhos e conhecidos. Contudo, tem desvantagens, a t�cnica � apropriada a um n�mero limitado de aplica��es que cont�m imagens com histograma bimodal.

  5. Bibliografia.