Vídeo Plane

A partir do vídeo Plane, foram criados 3 outros vídeos adicionando-se ruídos gaus- sianos com média 0 e desvios padrões: 2 para o primeiro vídeo, 5 para o segundo e 10 para o terceiro. Na Figura 3.6-(a) tem-se um frame original do vídeo, enquanto que na

Figura 3.6-(b) tem-se este mesmo frame depois de ter sido adicionado o ruído com desvio

padrão 10.

Figura 3.6: Frame do vídeo sintético Plane. Em (a) frame original e em (b) adicionando- se um ruído gaussiano com média 0 e desvio padrão 10.

Para obter as sementes usou-se um conjunto inicial e este foi ajustado, adicionando ou removendo sementes, de acordo com o resultado da segmentação no modelo RGB. Este ajuste às vezes torna-se necessário, a depender do vídeo de entrada, pois o resultado da segmentação depende dos pontos sementes escolhidos pelo usuário. Estes pontos devem representar ao máximo possível as características de cada objeto, para que com isso as funções de afinidades sejam melhor modeladas, permitindo que estas possam valorar com maior precisão a pertinência dos pixels aos objetos.

Na Figura 3.7 podemos ver um caso em que as sementes foram ajustadas. Acrescentaram- se duas novas sementes na perna da mesa, pois esta não estava sendo corretamente seg- mentada, como pode ser visto na Figura 3.7-(a). Depois do ajuste obteve-se o resultado da Figura 3.7-(b).

Depois de obtido o conjunto final de sementes, os vídeos foram segmentados usando- se cada um dos 5 modelos de cores descritos na Seção 3.1 (RGB, HSI, YCbCr, I1I2I3 e HSL). O algoritmo para encontrar modelos de cores híbridos, descrito na Seção 3.2, foi usado para encontrar modelos com 3, 4 e 5 canais (aqui denominados Hib3, Hib4 e

Hib5, respectivamente). Os canais escolhidos pelo algoritmo para compor cada um destes modelos híbridos podem ser vistos na Tabela 3.2. O tempo gasto para encontrar o Hib3, assim como o Hib4, foi de 0.21 segundos, enquanto o Hib5foi de 0.23 segundos.

Os resultados da segmentação para o frame 16 podem ser vistos nas Figuras 3.8 (frame original) e 3.9 (frame ruidoso com desvio 10). Na Tabela 3.3 tem-se o resultado da acu- rácia da segmentação obtido comparando a segmentação com o ground truth. Com esses

Figura 3.7: Exemplo de ajuste no conjunto de sementes. Em (a) conjunto original e em (b) adicionando-se sementes na perna da mesa a fim de melhorar a segmentação.

(a) (b)

Tabela 3.2: Modelos de cores híbridos escolhidos para o vídeo Plane.

Hib3 Hib4 Hib5

G do RGB, R do RGB, R do RGB, I2do I1I2I3, G do RGB, G do RGB,

S do HSL I2do I1I2I3, S do HSI,

S do HSL Cb do YCbCr, S do HSL

resultados podemos perceber que os modelos Hib3 e Hib4 obtiveram os melhores resul- tados, com uma baixa diminuição da acurácia nos vídeos ruidosos.

Tabela 3.3: Resultado da segmentação do vídeo Plane (Porcentagem de Acertos %).

RGB HSI YCbCr I1I2I3 HSL Hib3 Hib4 Hib5 Original 98.63 96.37 95.66 96.69 84.51 99.27 99.03 98.89 Ruído 2 97.52 78.61 95.15 95.26 95.89 98.98 98.88 96.57 Ruído 5 75.01 83.84 94.40 95.45 82.96 98.02 98.64 76.92 Ruído 10 73.63 80.23 94.84 95.18 61.93 97.45 97.03 72.58

Figura 3.8: Resultado da segmentação para o frame 16 do vídeo Plane original usando-se os modelos de cores RGB, HSI,YCbCr, I1I2I3, HSL, Hib3, Hib4e Hib5.

(a) – RGB (b) – HSI

(c) – YCbCr (d) – I1I2I3

(e) – HSL (f) – Hib3

Figura 3.9: Resultado da segmentação para o frame 16 do vídeo Plane ruidoso usando-se os modelos de cores RGB, HSI,YCbCr, I1I2I3, HSL, Hib3, Hib4e Hib5.

(a) – RGB (b) – HSI

(c) – YCbCr (d) – I1I2I3

(e) – HSL (f) – Hib3

Segmentação Fuzzy de Texturas

Neste capítulo será abordado o problema da segmentação de imagens com proprie- dades texturais estatísticas, ou não-estruturais. Para isto será usada a segmentação fuzzy com funções de afinidade adaptativas, as quais serão descritas a seguir.

4.1

Função de Afinidade Adaptativa

Pela definição de Segmentação Fuzzy vista no Capítulo 2.4.3, cada objeto a ser seg- mentado possui uma função de afinidadeψ. Esta função precisa representar com o má- ximo de precisão este objeto, de maneira que os valores de pertinência dos spels ao objeto em questão que pertençam a este sejam os maiores possíveis.

Pode-se dividir o processo de definição de uma função de afinidade em: modelagem da função e cálculo da afinidade entre spels vizinhos. Aqui será usada uma vizinhaça variável, a depender da textura, tanto para extrair as características do objeto (através dos pontos sementes), quanto para calcular a afinidade entre 2 spels vizinhos.

Na segmentação de vídeos, vista no Capítulo 3, foi usada a vizinhança de cada se- mente para extrair as características do objeto e modelar a função de afinidade. Esta vizinhança tinha um tamanho fixo para todos os objetos, porém, ao segmentar imagens com propriedades texturais, a área necessária para capturar as propriedades das regiões deve ter um tamanho variável (Figura 4.1), podendo ser maior ou menor a depender das texturas de cada região. Na Figura 4.2 pode-se observar duas texturas que precisam de áreas de tamanhos diferentes para a definição de suas funções de afinidades: a área neces- sária para descrever a textura(a) precisaria ser maior que a usada para descrever a textura (b).

Com o uso do aplicativo FuSe Tool, Apêndice A é possível ajustar o tamanho da área de cada objeto de maneira fácil e intuitiva através de uma interface gráfica com o usuário. Contudo, na Seção 4.3.1 é descrita uma metodologia usada para tornar o algoritmo auto-

Figura 4.1: Vizinhança usada para extrair característica a partir das sementes. Em (a), uma área 3_{× 3 centrada na semente S}1; Em (b), uma área 5× 5 centrada na semente S2.

(a) (b)

Figura 4.2: Texturas com diferentes granularidades.

(a) (b)

adaptável às texturas, escolhendo a melhor área sem a necessidade de interferência do usuário.

Na Figura 4.3 tem-se um exemplo em que deseja-se calcular a afinidade entre dois

spels vizinhos c e d. O algoritmo de segmentação de texturas fará uso de toda esta região

em torno destes spels. Como serão usados os vizinhos adjacentes de face para o cres- cimento das regiões, ver Figura 3.2-(a), não será preciso calcular afinidades entre spels adjacentes diagonais, sempre c e d estarão na horizontal ou vertical.

Figura 4.3: Vizinhança usada para calcular a afinidade entre spels vizinhos adjacentes na segmentação de texturas. Em (a), tem-se o caso em que os spels c e d são vizinhos horizontais, enquanto que em (b) o caso em que eles são vizinhos verticais.

Para fazer-se uso destas áreas de tamanhos variáveis na segmentação de texturas, fo- ram utilizadas duas funções de afinidade distintas. Na primeira foram usadas funções Gaussianas de distribuição de probabilidade, enquanto que na segunda foi utilizada a

Skew Divergence [Lee 1999], uma variação da Kullback-Leibler Divergence [Kullback e

Leibler 1951] usada para calcular a divergência entre duas distribuições de probabilida- des.