Segmentação de imagens naturais baseada em modelos de cor de diferença cromática, máscaras de detecção de contornos e supressão morfológica de texturas

Abstract

Desde os anos 1960, foram criadas inúmeras técnicas para segmentação de imagens, contudo poucas se aproximam do nível de desempenho humano, sendo essas computacionalmente custosas e inadequadas para aplicação em tempo real. Portanto, nesta tese é apresentada uma técnica de segmentação de baixo custo computacional, baseada em descontinuidades e em multirresolução, voltada à detecção de contornos de objetos em imagens naturais – fotografias do mundo real. A estrutura da técnica proposta é dividida em cinco etapas. Na primeira, atributos de cor e foco são realçados na imagem de entrada. O mapeamento de cor realça as diferenças de cor entre os canais RGB e propicia a detecção de bordas entre os canais de cor por operadores de gradiente. Dois modelos de cor de diferença cromática, RhGhBh e LgC, são propostos para esse fim. Também é proposta a transformada de decomposição de cor que segmenta a escala de cor RGB em canais independentes, isolando as cores aditivas e subtrativas, e os tons de cinza. Assim, é possível mensurar a variação local de cada cor para criar um mapeamento das regiões em foco. Na segunda etapa, uma filtragem morfológica para supressão de texturas suaviza as mudanças abruptas de cor no interior das mesmas, possibilitando a identificação de seus contornos e diminuindo a falsa identificação de bordas internas. Na terceira etapa, oito máscaras orientadas, batizadas de máscaras de detecção de contornos, são usadas para calcular o gradiente local, realçando os contornos dos objetos em detrimento de suas bordas internas. Na quarta etapa, um afinamento em tons de cinza é realizado por meio de um empilhamento topológico das bordas erodidas e suavizadas, no qual os pixels de bordas maximamente centralizados são isolados e afinados morfologicamente. Por fim, na quinta etapa, a intensidade das bordas é corrigida função do gradiente local e da densidade local das bordas, realçando os contornos dos objetos. Comparações com técnicas de segmentação recentes e clássicas são conduzidas com auxílio do Berkeley Segmentation Dataset and Benchmark. Os resultados obtidos posicionam a técnica proposta em quinto lugar no Benchmark, com tempo de processamento inferior a 0,5% do tempo das técnicas melhor classificadas, sendo adequada para uso em tempo real.