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

• Ano de defesa: 2015
• Autor(a) principal: Paula, Nelson Garcia de
• Orientador(a): Gamba, Humberto Remigio
• 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
• País: Brasil
• Palavras-chave em Português: Visão por computador; Algorítmos computacionais; Engenharia elétrica; Computer vision; Computer algorithms; Electric engineering
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/1690

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.