Self-organizing methods for image segmentation

Segmentação de imagens é um dos problemas mais investigados na área de computação visual. A complexidade desse problema varia de acordo com o tipo de aplicação. Em geral, o objetivo é dividir a imagem em regiões que apresentem propriedades similares. No presente trabalho, métodos auto-organizáveis para classificação não supervisionada e agrupamento de padrões são utilizados em tarefas de segmentação. O primeiro modelo refere-se à rede neural Fuzzy ART e o segundo é o Modelo de Misturas ICA (ICAMM) que faz uso da técnica ICA (Análise de Componentes Independentes) para descrever os dados em cada classe. Além da avaliação de desempenho dos modelos auto-organizáveis utilizados, foram propostas melhorias nos resultados de segmentação por meio da incorporação de técnicas de préprocessamento de imagens, que sejam capazes de tratar questões referentes à presença de ruídos, suavização de imagens e realce de bordas, de modo que as imagens se tornem mais adequadas ao processo de segmentação, tornando-o mais eficiente. Com esse objetivo, foi proposta uma metodologia para pré-processamento de imagens, que combina o método Sparse Code Shrinkage, para redução de ruídos e suavização da imagem, e o detector de bordas de Sobel, que tem a função de restaurar as bordas que foram borradas pelo processo de suavização. Outra contribuição original deste trabalho refere-se ao desenvolvimento do método EICAMM, que surgiu por meio da proposta de melhorias incorporadas ao modelo ICAMM, levando em consideração algumas limitações do método original e análises de como este poderia se tornar mais eficiente. Finalmente, unificando as duas principais contribuições originais desta tese, o método EICAMM foi utilizado na segmentação de imagens nas suas versões originais e pré-processadas pela metodologia proposta neste trabalho, tendo apresentado resultados de segmentação satisfatórios.Image segmentation is one of rnost investigated problems in computer vision. Its complexity can vary according to the kind of application. In general, the goal is to divide an image into regions with similar properties. In tliis work, self-organizing methods for unsupervised classification and clustering are applied in image segmentation tasks. The first self-organizing model is the Fuzzy ART neural network and the other one is the ICA Mixture Model (ICAMM), which uses ICA method to desenhe data in each class. Beside the performance evaluation regarding the considered methods, some improvements on the segmentation results obtained by these techniques were proposed by incorporating some image preprocessing methods. Sueli methods were able to handle some questions regarding to presence of noise, image smoothing and edge enhancement, in a way that makes an image more suited to be processed by an image segmentation technique, which can become more efficient. Aiming this, a preprocessing methodology was proposed in this work that combines Sparse Code Shrinkage method for image denoise to the Sobel Edge Detector, which is applied to recover edges that were blurred by an excessive smoothing. Another original contribution of this work refers to the development of EICAMM, which was built by proposing some modifications on ICAMM, considering some limitations on the original method and analysis on liow it should be modified to become more efficient. Finally, unifying the two main contributions of this thesis, the EICAMM method was applied for segmenting some images in these original and preprocessed versions, obtained by the proposed preprocessing methodology. Such systern lias showed satisfactory image segmentation results