Segmentação Supervisionada de Imagens pela Funcional de Mumford-Shah Utilizando Métricas de Distância Não-lineares

• Antonio Carlos Sobieranski UFSC
• Eros Comunello UFSC
• Aldo von Wangenheim UFSC

Resumo

Neste trabalho é apresentada uma abordagem supervisionada de segmentação de imagens por crescimento de regiões. Nesta abordagem uma métrica de distância é modelada a partir de algumas características da imagem, e então utilizada para otimizar o modelo de Mumford-Shah. A função de aproximação do modelo é indutivamente obtida sobre termos de alta ordem polinomial da distância de Mahalanobis, possibilitando extrair as caracter ísticas não-lineares das distribuições em mapas topológicos. Os resultados obtidos apresentam uma melhor discriminação das fronteiras dos objetos quando comparados com o modelo convencional e em relação a outros métodos de segmentação. Para verificar a qualidade dos resultados obtidos, métricas de avaliação de qualidade foram utilizadas.

Palavras-chave: Segmentação de imagens, modelo de Mumford-Shah, aprendizado de métrica de distância, otimização global

Referências

Brox, T. (2005). From pixels to regions: partial differential equations in image analysis. PhD thesis, Faculty of Mathematics and Computer Science, Saarland University, Germany.

Brox, T. and Cremers, D. (2009). On local region models and a statistical interpretation of the piecewise smooth Mumford-Shah functional. Int. J. Comput. Vision, 84(2):184–193.

Grudic, G. Z. and Mulligan, J. (2006). Outdoor path labeling using polynomial mahalanobis distance. In Robotics: Science and Systems.

Koepfler, G., Lopez, C., and Morel, J. M. (1994). A multiscale algorithm for image segmentation by variational method. SIAM J. Numer. Anal., 31(1):282–299.

Morel, J. M. and Solimini, S. (1995). Variational methods in image segmentation. Birkhauser Boston Inc., Cambridge, MA, USA.

Mumford, D. and Shah, J. (1989). Optimal approximations by piecewise smooth functions and associated variational problems. Pure Appl. Math.

Petitot, J. (2003). An introduction to the Mumford-Shah segmentation model. Journal of Physiology-Paris, 97(2-3):335 – 342. Neurogeometry and visual perception.

Pock, T., Cremers, D., Bischof, H., and Chambolle, A. (2009). An algorithm for minimizing the piecewise smooth Mumford-Shah functional. In IEEE International Conference on Computer Vision (ICCV), Kyoto, Japan.

Sobieranski, A. C., Abdala, D. D., Comunello, E., and von Wangenheim, A. (2009a). Learning a color distance metric for region-based image segmentation. Pattern Recognition Letters.

Sobieranski, A. C., Comunello, E., and von Wangenheim, A. (2011). Learning a nonlinear distance metric for supervised region-merging image segmentation. Comput. Vis. Image Underst., 115:127–139.

Sobieranski, A. C., Mantelli Neto, S. L., Coser, L., Comunello, E., and von Wangenheim, A. (2009b). Learning a nonlinear color distance metric for the identification of skin immunohistochemical staining. IEEE Computer-based Medical Systems CBMS 2009.

Wangenheim, A. V., Bertoldi, R. F., Abdala, D. D., Sobieranski, A., Coser, L., Jiang, X., Richter, M. M., Priese, L., and Schmitt, F. (2009). Color image segmentation using an enhanced Gradient Network Method. Pattern Recogn. Lett., 30(15):1404–1412.