Segmentação interativa de imagens utilizando modelos gravitacionais

• Main Author: Diungaro, Vitor [UNESP]
• Publication Date: 2021
• Format: Bachelor thesis
• Language: por
• Source: Repositório Institucional da UNESP
• Download full: https://hdl.handle.net/11449/270750
• topic: Processamento de imagem; Segmentação de imagem; Agrupamento; Algoritmos inspirados pela natureza; Image processing; Image segmentation; Clustering; Nature-inspired algorithm

Neste trabalho, foi proposto um algoritmo semi-supervisionado baseado no modelo gravitacional para realizar a segmentação de imagens coloridas. O algoritmo de agrupamento gravitacional é conhecido há bastante tempo, contando com diversas publicações que estudaram seu funcionamento e propriedades. Recentemente, foi utilizado para realizar a segmentação de imagens coloridas através de aprendizado não supervisionado, mas ainda não foi estudado dentro do paradigma de aprendizado semi-supervisionado. Combinar dados rotulados com dados não rotulados é uma abordagem que pode proporcionar um aumento na precisão do algoritmo. Assim, a ideia proposta para o algoritmo envolveu a noção de que um ponto em uma classe exerce uma força gravitacional maior sobre outro ponto que pertence a essa mesma classe do que à um ponto que não pertence. Dessa maneira, os pontos não rotulados de uma classe se movem em direção a elementos rotulados, que ficam fixos. A partir disso, o algoritmo foi utilizado para realizar a segmentação de imagens coloridas baseando-se em informações, fornecidas pelo usuário, de localização e coloração dos píxeis como atributos do objeto de interesse. Para isso, foram analisadas 22 imagens coloridas do banco de dados BSDS300, que foram trabalhadas no espaço de cores RGB. A análise confirmou a eficácia do algoritmo empregado na segmentação das imagens coloridas, em especial para as seções monocromáticas. Para as regiões que apresentaram variância de luminância, foi notado que a segmentação não foi ideal, pois partes do objeto analisado na imagem foram segregadas em clusters distintos.