Análise de imagem na caracterização microestrutural

1. Pós-Graduação em Ciência e Engenharia de Materiais Análise de imagem na caracterização microestrutural Prof. Celso P. Fernandes • Segmentação binária

2. Segmentação Definimos a segmentação como um processamento que consiste em realizar a divisão de uma imagem em regiões homogêneas de acordo com um critério estabelecido Caracterização de Microestruturas

3. Binarização - Exemplo A binarização é um caso específico de segmentação Caracterização de Microestruturas

4. Binarização - Exemplo Caracterização de Microestruturas

5. Binarização - Exemplo Caracterização de Microestruturas

6. Binarização - Definição Processar uma imagem, em níveis de cinza ou colorida, de forma a definir em uma imagem binária as regiões de poros (objetos) e sólidos (fundo). Etapa Fundamental da Cadeia de Processamento de Imagens Imagem Original n bits Imagem Binária 1 bit Caracterização de Microestruturas

7. Classificação dos métodos Globais: utilização do histograma de níveis de cinza Locais: detecção dos contornos objeto-fundo Manuais: assistidos pelo usuário Automáticos Caracterização de Microestruturas

8. Binarização a partir do histograma Definição de um nível de cinza de corte Th (threshold), que melhor separa as fases poro e sólido Caracterização de Microestruturas

9. Imagem binária Dada a imagem Im(i,j) a imagem binária Imbin(i,j) será dada por: Caracterização de Microestruturas

10. Método devido a Otsu(1979) Caracterização de Microestruturas

11. Probabilidades das classes Probabilidade de que um pixel pertença à classe C0 ou à classe C1: Caracterização de Microestruturas

12. Níveis de cinza médios Nível de cinza médio da classe C0, da classe C1 e da imagem como um todo: Caracterização de Microestruturas

13. Definição das variâncias Caracterização de Microestruturas

14. Relação entre as variâncias Podemos mostrar que: Caracterização de Microestruturas

15. Maximização da variância interclasse Minimizar Vintra e maximizar Vinter são problemas equivalentes: computacionalmente é mais vantajoso maximizar Vinter. O método é aplicável ao problema com p classes (p>=2), C1, C2, ..., Cp, separadas pelos cortes T1, T2, ... Tp-1 Caracterização de Microestruturas

16. Imagens coloridas Aplicação do Método da Variância em cada um dos canais Caracterização de Microestruturas

17. Configurações Distribuição de níveis de cinza: N0,N1,N2, ..., N255 Queremos determinar o número de configurações W, W=W(N0, N1,N2,...), para uma dada distribuição N0,N1,N2, ..., N255 Caracterização de Microestruturas

18. Configurações - exemplo Imagem com apenas 3 pixels, N=3 níveis de cinza apenas 0 e 1 Distribuição: N0=1, N1=2 Caracterização de Microestruturas

19. Configurações - exemplo Mas, para configurações de fato distintas: Caracterização de Microestruturas

20. Configurações - generalização Escrevemos: Generalizando para i=0,1,2,..., 255: Caracterização de Microestruturas

21. Configurações - generalização Tomando o log dos dois lados desta equação podemos chegar a: Caracterização de Microestruturas

22. Entropia H Caracterização de Microestruturas

23. Métodos baseados na entropia H é a entropia de Shannon Caracterização de Microestruturas

24. Método de Pun (1980) Caracterização de Microestruturas

25. Método de Pun (1980) Para a definição da imagem binária, tomamos o corte T que maximiza a função H(T) Caracterização de Microestruturas

26. Método de Pun (1980) Caracterização de Microestruturas

27. Método de Kapur et al. (1985) Caracterização de Microestruturas

28. Método de Kapur et al. (1985) Novamente, para a definição da imagem binária, tomamos o corte T que maximiza a função H(T) Caracterização de Microestruturas

29. Problemas específicos Caracterização de Microestruturas

30. Problemas específicos Caracterização de Microestruturas

31. Problemas específicos Caracterização de Microestruturas