Propagação de etiquetas para segmentação de imagens

• Autor(a) principal: Belizario, Ivar Vargas
• Data de Publicação: 2021
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-09032021-123250/
• topic: Agrupamento em grafos; Complex networks; Graph clustering; Image segmentation; Label propagation; Propagação de etiquetas; Redes complexas; Segmentação de imagens

Segmentação de imagens é uma tarefa importante em processamento de imagens usualmente empregada em tarefas mais complexas de visão computacional. Em abordagens de segmentação por agrupamento em grafos a imagem é modelada por um grafo, em que geralmente os vértices são representados por pixels e as arestas por pesos que denotam similaridade entre pixels. Os problemas associados a abordagens baseadas em grafos normalmente dizem respeito ao custo computacional e a alta cardinalidade dos grafos, que se traduz no grande número de vértices e arestas necessários para gerar uma adequada representação da imagem. Das abordagens para segmentação com grafos, destacam-se aquelas baseadas em detecção de comunidades em redes complexas, como por exemplo o Label Propagation em especial por apresentarem mais baixo custo computacional. No entanto, tais métodos quando aplicados diretamente em imagens, não geram resultados precisos, além de serem não determinísticos, o que é uma qualidade indesejável em segmentação de imagens. Por outro lado, as técnicas de superpixels, que combinam vários pixels, são importantes não apenas na redução da cardinalidade dos grafos, com também proporcionam maior poder descritivo se comparado a um único pixel. Esta tese de doutorado apresenta uma nova família de métodos de segmentação para imagens de cenas naturais de alta dimensão baseada no método Label Propagation e superpixels, de comportamento determinístico e que utiliza-se de informações específicas do domínio de imagens. Foram desenvolvidos algoritmos tanto para segmentação automática (SGLP - Simple Graph Label Propagation e MGLP - Multi-level Label Propagation), quanto para segmentação interativa (IGLP - Interactive Graph Label Propagation), que demanda auxílio do usuário. Os resultados quantitativos mostram uma precisão PRI de 0:83 e percentagem de erro de Er 6:13%, para a versão automática e interativa, respectivamente. Também foram obtidos resultados no tempo de processamento de 0:0048 s e 0:29 s, para segmentação automática e interativa. Tais resultados foram corroborados em vários experimentos sobre conjuntos de dados padrão. Quando comparados com métodos relacionados, os resultados dos métodos se mostram superiores tanto em precisão media e tempo para segmentação automática, e no caso do método de segmentação interativa (IGLP) apresenta resultados de precisão media relativamente inferiores, mas com a vantagem de ser mais rápido.