Stochastic methods for image segmentation based on stochastic superpixels

• Ano de defesa: 2020
• Autor(a) principal: Rosales, Dionicio Ángel Vásquez
• Orientador(a): Scharcanski, Jacob
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Superpixel; Imagens naturais; Metodos estocasticos; Segmentacao : Imagem; Pre-processamento : Imagem; Visão computacional; Grafos
• Palavras-chave em Inglês: Stochastic graph contraction; Superpixels graph adjacency; Multi-scale segmentation; Hierarchical representation; Eigen-decomposition
• Link de acesso: http://hdl.handle.net/10183/214207

A geração de superpixels é uma das etapas de pré-processamento mais usadas para tarefas de visão computacional, desde a segmentação de imagens até a detecção de saliências e o rastreamento de objetos. O uso de representações de superpixel reduz bastante a informação redundante, criando uma representação condensada da cena na imagem, e também permite maior escalabilidade, reduzindo significativamente a complexidade computacional necessária para executar tarefas de visão computacional. Várias abordagens diferentes de geração de superpixel foram propostas na literatura, e os maiores desafios enfrentados pelas abordagens existentes são: i) pobre aderência as bordas dos objetos na imagem; ii) dificuldade em gerar superpixels estruturados em condições não ideais (por exemplo, variabilidade de ruído, cor e iluminação); iii) pobre definição das bordas entre os objetos na imagem; e iv) dificuldade em obter representações hierárquicas e aninhadas da informação visual onde o superpixel em uma escala grosseira pode ser representado como a união do conjunto de superpixels em escalas mais finas (cobertas pelo superpixel da escala grosseira). Motivados para enfrentar esses principais desafios, esta tese introduz novos métodos para o problema de segmentação de imagens, em relação à tarefa de geração de superpixels em múltiplas escalas, em imagens naturais. Primeiro, é proposto o método Iterative Hierarchical Stochastic Graph Contraction (IHSGC), que utiliza uma estratégia estocástica para gerar superpixels em múltiplas escalas, e cada superpixel é representado por uma estrutura hierárquica e descreve um patch de imagem em escalas fina e grosseira simultaneamente. O método proposto consiste em duas etapas principais: uma etapa de inicialização baseada em uma sobre-segmentação estocástica não supervisionada multi-camada no nível de pixels, preservando as relações espaciais locais na escala mais fina; e uma etapa de contração estocástica, hierárquica e iterativa do grafo, para gerar escalas mais grosseiras por operações de contração de grafos até que o número desejado de superpixels seja obtido. Segundo, é proposta uma versão aprimorada do método IHSGC, chamada stochastic graph contraction (SGC) e a sua versão multi-escala, que utilizam feições simples para gerar escalas mais grosseiras, com melhor aderência às bordas e menor tempo de execução. Finalmente, propõe-se a abordagem Stochastic Spectral Graph Contraction (SSGC) como aplicação dos superpixels estocásticos, para lidar com o problema de escalabilidade da segmentação espectral de imagens, relacionada ao processo de decomposição espectral. Um grafo de adjacência de superpixels é construído e cada superpixel é descrito com um histograma normalizado 3D do espaço de cor CIELAB. Em seguida, são usadas operações de contração estocástica do grafo dos superpixels e em um subespaço definido pelos K menores autovetores, para obter K regiões da imagem. Os resultados experimentais baseados nos bancos de imagens BSDS300 e BSDS500, sugerem que os métodos estocásticos propostos para geração de superpixels e segmentação espectral obtêm resultados comparáveis ou melhores do que os métodos propostos no estado-da-arte em termos de aderência às bordas e o erro de sub-segmentação, e métricas padrão para algoritmos de segmentação.