Ajuste de parâmetros em algoritmos de segmentação de imagens por crescimento de regiões

• Ano de defesa: 2006
• Autor(a) principal: Giovana Mira de Espindola
• Orientador(a): Gilberto Câmara
• Banca de defesa: Leila Maria Garcia Fonseca, Corina da Costa Freitas, Raul Queiroz Feitosa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Sensoriamento Remoto
• País: BR
• Resumo em Inglês: Methods of image segmentation are important for remote sensing image analysis. Image segmentation tries to divide an image into spatially continuous, disjunctive and homogenous regions. Segmentation algorithms have many advantages over pixel-based image classifiers. Usually, these resulting maps have much more visual consistency and are more easily converted into a geographical information system. Among the image segmentation techniques in the literature, region-growing techniques are being widely used for remote sensing applications, because they guarantee creating closed regions. Since most region-growing segmentation algorithms for remote sensing imagery need user-supplied parameters, one of the challenges for using these algorithms is selecting suitable parameters to ensure best quality results. This scientific research addresses this problem, proposing an Objective Function to select the best parameter settings of segmentation results. By applying the proposed function to the segmentation results, the user has guidance for fitting of parameter values. The proposed Objective Function considers that segmentation results have two desirable properties: each of the resulting segments should be internally homogeneous and should be distinguishable from its neighborhood. The function combines a variance index, which expresses the overall homogeneity of the regions, with a spatial autocorrelation index, which detects separability between regions. The main advantage of the proposed method is its robustness, since it uses established statistical methods (variance and spatial autocorrelation) and it is not based on the use of reference segmentation. To assess the validity of the proposed method, some experiments were conducted using the region-growing segmentation algorithms which are available in the SPRING and e-Cognition \textregistered softwares. The experimental results of both synthesized and real images were very encouraging. Therefore, they were used to evaluate the performance of the proposed method.
• Link de acesso: http://urlib.net/sid.inpe.br/MTC-m13@80/2006/12.21.11.14

Os algoritmos de segmentação de imagens têm sido amplamente usados na extração de informações de imagens de sensoriamento remoto. Estes algoritmos têm por objetivo dividir uma imagem em regiões espacialmente contínuas, disjuntas e homogêneas. Os processos de segmentação e de classificação orientados a objetos possuem algumas vantagens quando comparado ao processo de classificação por pixels, pois obtêm resultados visualmente consistentes e de fácil conversão em sistemas de informação geográfica. Entre os algoritmos de segmentação de imagens, os de crescimento de regiões são preferíveis nas aplicações de sensoriamento remoto, pois consideram a característica espacial dos dados e garantem a formação de segmentos fechados. Contudo, grande parte dos algoritmos de crescimento de regiões requer de seus usuários o ajuste de parâmetros que definem os limiares da segmentação. Para os usuários desses algoritmos, um dos desafios consiste em selecionar os parâmetros que resultem nos melhores resultados dessas segmentações. Esta dissertação aborda essa questão, propondo um método de ajuste de parâmetros para algoritmos de crescimento de regiões, baseado numa Função Objetivo que seleciona os limiares da segmentação com base na qualidade de seus resultados. Tal função considera que bons resultados dependem, prioritariamente, da obtenção de regiões internamente homogêneas e regiões adjacentes significativamente distintas em relação à característica na qual elas são homogêneas. Assim, a função proposta combina um índice de variância que expressa a homogeneidade interna dos segmentos, com um índice de autocorrelação espacial que expressa a separabilidade entre segmentos vizinhos. A vantagem do método proposto consiste na incorporação da dimensão espacial da imagem às medidas de qualidade da segmentação, resultando em medidas mais eficientes que eliminam a necessidade de imagens de referência. A Função Objetivo proposta foi aplicada nos algoritmos de segmentação dos softwares SPRING e e-Cognition \textregistered, permitindo a avaliação dos resultados obtidos com imagens reais e sintéticas.