Detecção de região saliente em imagens usando dissimilaridade de cor e amostragem por pixeis aleatórios

Detalhes bibliográficos
Ano de defesa: 2015
Autor(a) principal: Paula, Nelson Garcia de lattes
Orientador(a): Gamba, Humberto Remigio lattes
Banca de defesa: Borba, Gustavo Benvenutti, Neves, Luiz Antonio Pereira, Vieira Neto, Hugo
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Tecnológica Federal do Paraná
Curitiba
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/1690
Resumo: O objetivo deste trabalho é demonstrar e avaliar um algoritmo simples de estimação automática da região mais saliente em uma imagem, com possíveis usos em visão computacional. O algoritmo explora a relação entre dissimilaridades de cores na imagem e a região mais saliente da imagem. Este algoritmo não recorre a hipóteses prévias sobre o conteúdo das cenas processadas. Dissimilaridade entre pixeis é uma função informal da distância entre as cores de um pixel específico e outros pixeis de uma imagem. Examina-se a relação entre dissimilaridade de cor entre pixeis aleatórios da imagem e detecção de regiões salientes no conjunto de dados MSRA1K. Propomos um algoritmo simples para a detecção de regiões salientes através da dissimilaridade entre pares de pixeis amostrados aleatoriamente na imagem. Computa-se a dissimilaridade acumulando a distância entre as cores de cada pixel e uma amostra aleatória de n outros pixeis, no espaço de cores CIELAB. Um resultado relevante descoberto é que a dissimilaridade de cada pixel com uma amostra aleatória de tamanho unitário é suficiente para criar mapas de saliência funcionais quando combinada com um filtro da mediana, mantendo um desempenho comparável ao de outros algoritmos relacionados na área de detecção de regiões salientes. A métrica adotada para a análise de desempenho foi a curva de abrangência-precisão. As ideias deste trabalho foram inspiradas no mecanismo de atenção visual humana que é capaz de selecionar poucas regiões para concentrar a atenção, e que é um mecanismo biológico que a comunidade de visão computacional objetiva reproduzir. Também revisamos parte da história da atenção seletiva.