Aplicando métricas de avaliação não-supervisionadas para imagens segmentadas

Abstract

A segmentação de imagens é uma importante etapa de processamento em muitos aplicativos de imagem, vídeo e visão computacional. Pesquisas extensivas foram feitas na criação de muitas abordagens e algoritmos diferentes para a segmentação de imagens, mas ainda é difícil avaliar se um algoritmo produz segmentações mais precisas que outro, seja para uma imagem ou conjunto de imagens em particular, ou de maneira mais geral, para toda uma classe de imagens. Com isso existem os métodos de avaliação para poder validar a imagem segmentada ou o conjunto de imagens. Neste trabalho, buscamos e estudamos os métodos de avaliação para poder validar um conjunto de imagens que são usados para diagnóstico médico. Foram encontrados métodos de avaliação analítica, supervisionado e não supervisionado. Os métodos de avaliação que requerem assistência ao usuário, como avaliação analítica e avaliação supervisionada, são inviáveis em muitas aplicações de visão, por não medir a qualidade da imagem ou não ter uma imagem de referência. A avaliação não supervisionada permite a comparação objetiva de métodos diferentes de segmentação e parametrizações diferentes de um único método, sem a necessidade de comparações visuais humanas ou comparação com uma imagem de referência segmentada manualmente ou pré-processada. Além disso, métodos não supervisionados geram resultados para imagens individuais e imagens cujas características podem não ser conhecidas até o momento da avaliação. Os métodos de avaliação não supervisionado foram aplicados neste trabalho a dois conjuntos de imagens, um de imagens naturais e outro com imagens de feridas. O resultado da pesquisa mostra que por falta de alguns ajustes do código da segmentação, as imagens podem ter uma super segmentação ou uma sub-segmentação. Por fim, conclui-se que o algoritmo de segmentação precisa de um ajuste que possa melhorar o seu resultado tendo uma imagem escura ou clara com entrada do algoritmo.