Um modelo perceptivo de limiarizaçao de imagens digitais

Abstract

Resumo: O problema de segmentação de imagens digitais tem gerado uma grande diversidade de abordagens para solucioná-lo. Uma abordagem bastante simples, a limiarização, ainda tem sido intensivamente utilizada, por viabilizar aplicações de visão em tempo-real. No entanto, muitas vezes os critérios utilizados na limiarização dependem de atributos entrópicos ou estatísticos da imagem. Procurando investigar qual a relação destes atributos com respostas subjetivas de limiarização, este trabalho desenvolve um modelo de limiarização de imagens baseado nestas respostas, generalizando-as com um modelo resultante do treinamento de uma Rede de Funções de Base Radial (RFBR). As respostas subjetivas foram colhidas em um experimento psicofísico no qual os sujeitos são instados a escolher um limiar que separe melhor o(s) objeto(s) do fundo de uma imagem digital. Este trabalho sugere também uma avaliação de métodos automáticos de limiarização comparando as respostas destes métodos com as respostas atribuídas por sujeitos humanos. Este resultado é confrontado com as comparações entre as respostas dos humanos e as respostas do modelo RFBR, apontando para um possível grau de incerteza com que as respostas são geradas em cada método, e que permite seu uso como uma medida de desempenho de métodos automáticos.

Abstract: The digital image segmentation challenge has been generating a plethora of methods and approaches. A quite simple approach, the thresholding, has still been intensively applied to enable real-time vision applications. However, the threshold criteria often depend on entropie or statistical image features. This work searches a relationship between these features and the subjective choices given by human subjects. So, an image thresholding model based on these subjective choices was developed by training a Radial Basis Functions Network (RBFN). It was implemented on web a psychophysical test on web whose purpose was to ask the subjects for an gray level threshold to give the best division between objects and background. This work also suggests a measure to evaluate automatic thresholding methods, whose answers were compared to subjective choices. Furthermore, the RBFN-modeled answers were compared to the same subjective choices. Both comparisons indicate the application of an uncertainty degree to evaluate automatic methods.