Segmentar uma imagem significa particioná-la em regiões distintas. O objetivo principal é separar objetos do fundo. Esta é uma das tarefas mais desafiadoras do processamento digital. Uma segmentação bem-sucedida simplifica drasticamente a análise posterior. Por exemplo, ela isola um tumor em uma ressonância magnética. Basicamente, existem duas abordagens principais para segmentar imagens. A primeira baseia-se em descontinuidades, como bordas. A segunda fundamenta-se em similaridades, como intensidade ou textura.
detecção de bordas (edge detection)
Bordas ocorrem onde a intensidade da imagem muda abruptamente. O gradiente da imagem é a ferramenta matemática para detectá-las. O operador de Sobel é um método clássico e simples. Ele calcula a magnitude do gradiente em cada ponto. Contudo, imagens ruidosas exigem técnicas mais robustas. O detector de Canny é considerado um padrão ouro. Primeiro, ele suaviza a imagem com um filtro Gaussiano. Em seguida, calcula o gradiente e aplica supressão de não-máximos. Finalmente, ele usa limiarização com histerese para ligar bordas. Esta técnica é frequentemente empregada em sistemas de visão industrial. Por exemplo, para inspecionar componentes em uma linha de montagem.
limiarização (thresholding)
A limiarização converte uma imagem em níveis de cinza para binária. Escolhe-se um valor de limite (threshold) para separar objetos do fundo. O método de Otsu calcula este limite automaticamente. Ele maximiza a variância entre as classes de pixels. Esta abordagem funciona bem com histogramas bimodais. Um histograma com dois picos distintos é ideal. Quando a iluminação é não-uniforme, usa-se a limiarização adaptativa. O algoritmo calcula um limite diferente para cada região da imagem. Por exemplo, para ler a placa de um carro em sombra. A limiarização global falharia, mas a adaptativa teria sucesso.
crescimento de região e watershed
O crescimento de região começa com “sementes” (pixels iniciais). Pixels vizinhos similares são agregados a estas sementes iterativamente. A similaridade pode ser baseada em intensidade, cor ou textura. Esta técnica é útil quando os objetos são bem definidos. Por outro lado, o algoritmo watershed (divisor de águas) tem uma abordagem topográfica. Ele interpreta a imagem como um relevo tridimensional. A água “inunda” o relevo a partir dos mínimos locais. Barreiras são construídas onde águas de diferentes bacias se encontram. Estas barreiras formam as bordas dos segmentos. O watershed é excelente para separar objetos que se tocam. Por exemplo, para contar células em uma lâmina de microscopia.