Um modelo de grafos de topologias combinadas de para segmentação de imagens via compressão de grafos

• Autor(a) principal: Medeiros, Rafael Sachett
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/211548
• topic: Segmentação de imagem; Grafos; Escalabilidade; Processamento de imagens; Visão computacional; Graph compression; Decoupling; Multiple weights

Um desafio na área de segmentação de imagens é o problema de escalabilidade, onde muitos métodos atuais enfrentam problemas de complexidade computacional e/ou de memória ao lidar com imagens em alta resolução. Motivado para enfrentar esse desafio, este trabalho propõe uma nova abordagem de modelos de grafos de topologias combinadas para a tarefa de segmentação de imagens em alta resolução. Mais especificamente, a imagem é modelada por um grafo de regiões de topologias combinadas, que generaliza o conceito de grafo de regiões de topologia única para modelar melhor as interações entre as regiões por meio de diferentes indicadores visuais (estruturais, texturais etc.) que formam topologias diferentes. Este grafo é desacoplado em pequenos subgrafos e a compressão de grafos de topologias combinadas é utilizada para resumir os subgrafos, reduzindo o número de vértices e arestas, mas mantendo a estrutura geral do grafo. Finalmente, os subgrafos comprimidos são re-acoplados em um gráfico conectado, que é então recomprimido para produzir a segmentação final. Além disso, este trabalho também propõe um algoritmo eficiente para compressão de grafos. O grafo de topologias combinadas é inicialmente desacoplado em subgrafos menores, que são então comprimidos individualmente. Esse processo transforma o subgrafo, reduzindo o número de vértices e arestas, mas mantendo sua a topologia e estrutura geral. Os subgrafos comprimidos são então reconectados e uma última etapa de re-compressão é realizada para obter um grafo comprimido que representa a segmentação da imagem. Os experimentos realizados em um conjunto de imagens em alta resolução (1000 1500 pixels) demonstram que a abordagem proposta produz segmentações superiores quando comparada aos métodos do estado da arte de segmentação de imagens (PRI = 0:91 e F = 0:62), mas com custo computacional e consumo de memória significativamente menores.