18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil
Abstract This paper proposes a new unsupervised, fully automatic method for edge detection in color images, inspired in the
human visual model of Grossberg. One of the hypotheses of Grossberg, the FACADE (Form-And-Color-And-Depth) defines
complementary specialized streams at the bifurcation in the parvocellular pathway in the visual cortex: one of the branches performs the edge processing and the other performs surface processing. In a similar way, this proposal has two parallel processes
that are integrated at the end. The edge processing is implemented through an edge-detection method, whereas the surface processing is performed through a region growing method. The proposed integration scheme eliminates false contours resulted from
the region growing, guided by the result of edge detection, and eliminates the noise resulted from the edge detection, now guided
by the result of the region growing, thus taking advantage of their complementary natures. Experiments on a large set of color
images show that the results of the proposed system are closer to human perception than the individual methods that make it up,
in both quantitative and qualitative terms.
Keywords boundary detection, multifractal, bio-inspired systems, FACADE.
Resumo Este trabalho prope um novo mtodo no supervisionado, totalmente automtico, para deteco de contornos em imagens coloridas, inspirado no modelo visual humano da teoria de Grossberg. Um das hipteses de Grossberg, o FACADE
(Form-And-Color-And-Depth), define fluxos especializados complementares na bifurcao do caminho parvocelular no crtex
visual: uma das ramificaes faz o processamento de borda e a outra de superfcie. Da mesma forma, esta proposta tem dois processos em paralelo, que ao final so integrados. O processamento de borda realizado atravs de um mtodo de deteco de bordas, enquanto o processamento de superfcie se faz por um mtodo de crescimento de regies. A integrao proposta elimina os
contornos falsos do resultado do crescimento de regies, guiado pelo resultado da deteco de bordas, e elimina o rudo da deteco de bordas, agora guiado pelo resultado do crescimento de regies, tirando vantagem de suas naturezas complementares. Experimentos com um grande conjunto de imagens coloridas mostram que os resultados do sistema proposto so mais prximos da
percepo humana do que os mtodos individuais que o compem, tanto em termos quantitativos quanto qualitativos.
Palavras-chave deteco de contornos, multifractal, sistemas bio-inspirados, FACADE.
Introduo
Deteco de contornos uma tarefa crucial em sistemas de viso computacional. O resultado de seu
processamento, a delineao dos limites dos componentes de uma imagem, fornece informaes valiosas
para processos de alto nvel subseqentes, como reconhecimento de objetos, por exemplo.
A deteco de contornos no supervisionada e
totalmente automtica um problema complexo, pois
no se conhece a priori quais tipos de regies (uniforme, com gradao suave de cor e variaes de
texturas) existem em uma imagem, nem quantas regies existem. Exemplos de variedade e complexidade de imagens podem ser constatados na Figura 1.
(a)
(b)
(c)
Na Figura 1(a) temos uma cobra no deserto, onde o elemento central e o fundo apresentam quase a
mesma cor, causando impreciso de bordas. Na Figura 1(b) temos uma mistura de texturas artificiais e
791
dos cones e de clulas X, que so clulas responsveis por cor e detalhes finos. J o caminho M processa informao de luz/escurido e de clulas Y, que
so muito sensveis ao movimento.
Do NGL, os axnios seguem em direo ao crtex visual. no crtex visual que ocorre o processamento das informaes visuais, ou seja, as caractersticas de forma, profundidade, movimento e cor so
analisadas. Ele dividido em reas: V1, V2, V3, V4
e V5 (tambm conhecido como MT). A partir de V1,
o caminho P divide-se em dois caminhos paralelos,
que se juntam novamente em V4.
A maior parte da informao originada pela retina chega ao NGL, principal regio subcortical envolvida no processamento da informao para a percepo. Os sinais canalizados atravs do nervo ptico esto divididos em duas vias visuais distintas: o
caminho magnocelular (M) e o caminho parvocelular
(P). O caminho P recebe informaes principalmente
792
3 O Sistema Proposto
A proposta modelar um sistema inspirado no
modelo de Grossberg, cujo objetivo detectar contornos em imagens coloridas. O interesse modelar o
caminho P, pois sua finalidade identificar objetos
estticos (a entrada deste sistema apenas uma imagem esttica e no uma seqncia de imagens). Assim, no h informao de entrada para tratar movimento, e, logo, o caminho M no ser modelado.
caminho de Borda foi implementado por um processo de deteco de bordas clssico, o gradiente
morfolgico. A escolha se baseou em testes anteriores (Komati, Salles e Sarcinelli-Filho, 2010), nos
quais o gradiente morfolgico obteve melhores resultados. Para o pr-processamento de suavizao da
imagem usou-se o mtodo de Kuwahara com mscara 55 (Kuwahara, Hashimura e Eiho, 1976). Este
mtodo apresenta a vantagem de suavizar a imagem
e ao mesmo tempo preservar as bordas.
Para o caminho de Superfcie foi adotado um
mtodo de crescimento de regies, MM-Frac, que
ser descrito na subseo 3.2. Este mtodo possui
caractersticas que seguem a teoria de Grossberg,
pois dividido em dois estgios: integrao de medidas para o mapa utilizado como base para o crescimento de regies e a integrao (merge) dos
resultados das vrias escalas diferentes.
Assim, combinamos duas tcnicas complementares, a tcnica por similaridade (regio) e por descontinuidade (borda) de informao.
3.1 A Integrao dos Mtodos
Para a integrao dos resultados de bordas e regies, utilizou-se o mtodo KSS (Komati, Salles e
Sarcinelli-Filho, 2010). O KSS um mtodo totalmente automtico, que recebe duas entradas: uma
imagem binria representando segmentao de regies e uma imagem em escala de cinza representando
o grau de confiana de cada pixel ser uma borda.
Os resultados de detectores de borda apresentam
lacunas e informaes ruidosas, enquanto os resultados de mtodos de crescimento de regies tendem a
apresentar super-segmentao, alm de gerar contornos imprecisos e falsos (Muoz et al., 2003). A estratgia do mtodo KSS tirar proveito da natureza
complementar de cada mtodo, isto , retirar os contornos falsos das regies atravs da informao de
bordas e retirar o rudo da informao de bordas guiado pelos contornos do crescimento de regies, integrando as duas entradas em um nico resultado.
O controle do KSS baseado no resultado do
detector de bordas. Quanto menos ruidoso for este
resultado, maior o seu grau de confiana. Para tanto, utiliza-se o formato do histograma da imagem
resultante do detector de bordas. Assim, estima-se a
quantidade de pixels que indicam que no h borda,
(maior quantidade de pixels escuros, valores prximos de zero - entre 0 e 50), relativo informao de
certeza mdia de existncia de borda (valores existentes no meio do histograma, entre 50 e 200 na escala de cinza). O valor da confiana dado por
i =0 hi
200
i =50 hi
50
Figura 4. Arquitetura geral do mtodo proposto. Observe sua inspirao no modelo proposto na Figura 2.
confiana =
(1)
793
794
JSEG
MM-Frac
Detector
de Borda
KSS
B sensibilidade
S
preciso
D
medida-F
S
m sensibilidade
e
preciso
d
medida-F
i
a
Percepo
Humana
0.70
0.89
0.79
0.70
0.89
0.78
0.61
0.56
0.58
0.61
0.57
0.58
0.63
0.56
0.59
0.63
0.57
0.59
0.65
0.49
0.56
0.69
0.55
0.59
0.69
0.54
0.61
0.73
0.57
0.63
5 Concluses
Este trabalho prope uma nova abordagem para deteco de contornos de imagens coloridas, inspirado
no modelo visual humano. Como na teoria de Grossberg, o sistema totalmente automtico, no possui
795
Imagem de
Entrada
Referencial
Humano
JSEG
MM-Frac
Detector de
Bordas
KSS
167062
Medida-F = 0.95
Medida-F = 0.62
Medida-F=0.88
Medida-F=0.92
Medida-F=0.94
196073
Medida-F = 0.85
Medida-F=0.55
Medida-F=0.74
Medida-F=0.70
Medida-F=0.79
182053
Medida-F = 0.80
Medida-F=0.62
Medida-F=0.70
Medida-F=0.64
Medida-F = 0.71
134035
Medida-F = 0.54
Medida-F=0.60
Medida-F=0.60
Medida-F=0.62
Medida-F = 0.64
42049
(a)
Medida-F = 0.96
(b)
Medida-F = 0.75
(c)
Medida-F = 0.58
(d)
Medida-F = 0.93
(e)
Medida-F = 0.91
(f)
Figura 6. Cinco exemplos de imagens da base de testes do BSDS. (a) imagem de entrada (b) referencial humano (c) resultado do JSEG (d)
resultado do mtodo MM-Frac (e) resultado do mtodo de deteco de bordas (f) resultado aps KSS.
796