Um método automático para o ajuste de segmentadores de imagens baseados em informação de textura e cor.

• Autor(a) principal: CARDOSO, Fernando Henrique Bezerra.
• Data de Publicação: 2009
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/4318
• topic: Ciência da Computação; Visão Computacional; Processamento Digital de Imagens; Detecção de Materiais em Fotografia; Computer Vision; Digital Image Processing; Detection of Materials in Photography

O ajuste de segmentadores para a detecção de materiais específicos que compõem o conteúdo retratado por uma imagem digital é usualmente executado de forma manual, ou com pouco grau de automatização. A obtenção de segmentadores com base em aprendizagem normalmente envolve os seguintes passos: construir um conjunto de imagens segmentadas manualmente; analisar os melhores parâmetros - espaço de cores, profundidade de cor, tamanho da janela de pixels a ser considerada, dentre outras; ajustar um classificador que decide se cada pixel faz parte ou não da superfície do material. Uma vez que esta segmentação é geral mente um passo intermediário de inúmeras aplicações das áreas de Visão Computacional e de Processamento de Imagens, uma fraca automatização do processo faz com que esforço seja investido em uma tarefa secundária. Neste trabalho, é proposto um método de automatização do ajuste de segmentadores de materiais baseados em informação de cor e textura, utilizando redes neurais artificiais como estruturas de classificação, filtros de Gabor como descritores de textura e um algoritmo floodfill adaptado como etapa de pós-processamento. A descoberta dos melhores parâmetros dos filtros de Gabor e do algoritmo floodfill é realizada através da aplicação de um algoritmo genético. Uma avaliação experimental envolvendo a detecção de 3 classes de materiais (pele humana, grama e céu) foi realizada, e os segmentadores obtidos com o método proposto apresentaram resultados melhores (com relação à Medida-F) do que o método geral Naïve Bayes bem como métodos específicos para cada tipo de material, tendo sido demonstrada a generalidade do método proposto.