X SBAI Simpsio Brasileiro de Automao Inteligente

18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

UM SISTEMA BIO-INSPIRADO PARA DETECO DE CONTORNOS EM IMAGENS COLORIDAS

KARIN SATIE KOMATI, EVANDRO OTTONI TEATINI SALLES, MARIO SARCINELLI-FILHO.
Programa de Ps-Graduao em Engenharia Eltrica, Universidade Federal do Esprito Santo
Av. Fernando Ferrari, 514, Goiabeiras, 29075-910, Vitria, ES
e-mails: karinkomati@gmail.com, {evandro, mario.sarcinelli}@ele.ufes.br

Abstract This paper proposes a new unsupervised, fully automatic method for edge detection in color images, inspired in the
human visual model of Grossberg. One of the hypotheses of Grossberg, the FACADE (Form-And-Color-And-Depth) defines
complementary specialized streams at the bifurcation in the parvocellular pathway in the visual cortex: one of the branches performs the edge processing and the other performs surface processing. In a similar way, this proposal has two parallel processes
that are integrated at the end. The edge processing is implemented through an edge-detection method, whereas the surface processing is performed through a region growing method. The proposed integration scheme eliminates false contours resulted from
the region growing, guided by the result of edge detection, and eliminates the noise resulted from the edge detection, now guided
by the result of the region growing, thus taking advantage of their complementary natures. Experiments on a large set of color
images show that the results of the proposed system are closer to human perception than the individual methods that make it up,
in both quantitative and qualitative terms.
Keywords boundary detection, multifractal, bio-inspired systems, FACADE.
Resumo Este trabalho prope um novo mtodo no supervisionado, totalmente automtico, para deteco de contornos em imagens coloridas, inspirado no modelo visual humano da teoria de Grossberg. Um das hipteses de Grossberg, o FACADE
(Form-And-Color-And-Depth), define fluxos especializados complementares na bifurcao do caminho parvocelular no crtex
visual: uma das ramificaes faz o processamento de borda e a outra de superfcie. Da mesma forma, esta proposta tem dois processos em paralelo, que ao final so integrados. O processamento de borda realizado atravs de um mtodo de deteco de bordas, enquanto o processamento de superfcie se faz por um mtodo de crescimento de regies. A integrao proposta elimina os
contornos falsos do resultado do crescimento de regies, guiado pelo resultado da deteco de bordas, e elimina o rudo da deteco de bordas, agora guiado pelo resultado do crescimento de regies, tirando vantagem de suas naturezas complementares. Experimentos com um grande conjunto de imagens coloridas mostram que os resultados do sistema proposto so mais prximos da
percepo humana do que os mtodos individuais que o compem, tanto em termos quantitativos quanto qualitativos.
Palavras-chave deteco de contornos, multifractal, sistemas bio-inspirados, FACADE.

Introduo

Deteco de contornos uma tarefa crucial em sistemas de viso computacional. O resultado de seu
processamento, a delineao dos limites dos componentes de uma imagem, fornece informaes valiosas
para processos de alto nvel subseqentes, como reconhecimento de objetos, por exemplo.
A deteco de contornos no supervisionada e
totalmente automtica um problema complexo, pois
no se conhece a priori quais tipos de regies (uniforme, com gradao suave de cor e variaes de
texturas) existem em uma imagem, nem quantas regies existem. Exemplos de variedade e complexidade de imagens podem ser constatados na Figura 1.

(a)

(b)

(c)

Figura 1. Exemplos de imagens, retirados de (Martin et. al, 2001).

Na Figura 1(a) temos uma cobra no deserto, onde o elemento central e o fundo apresentam quase a
mesma cor, causando impreciso de bordas. Na Figura 1(b) temos uma mistura de texturas artificiais e

ISSN: 2175-8905 - Vol. X

naturais (a ponte possui padres geomtricos, bem

diferente da textura natural do morro e do rastro de
fumaa da locomotiva). Na Figura 1(c) temos um
felino em uma rvore, o qual, apesar da complexidade da textura de seu pelo, a percepo humana reconhece como um nico elemento.
At o momento, o instrumento mais eficiente para detectar e discriminar contornos o olho humano,
servindo, na maioria das vezes, como referncia da
exatido em testes de algoritmos de deteco de contorno. Sistemas de viso computacional que so inspirados no sistema de viso humana (SHV) representam uma alternativa promissora (Marr, 1982; Hu et.
al, 2009; Komati e De Souza, 2003; Kppen, Ruizdel-Solar, e Soille, 1998).
No entanto, o conhecimento acerca da viso biolgica, em particular da humana, no completo e
detalhado (Kandell, 2000; Olshausen e Field, 2005).
Isto tem motivado muitos pesquisadores a propor
teorias computacionais sobre como se d o processo
de viso biolgica, para posterior comparao destas
com o comportamento visual biolgico observvel.
Tais teorias tm evoludo ao longo dos anos, baseadas na crescente compreenso do sistema visual biolgico, atravs do qual ns percebemos as posies
e propriedades dos objetos, assim como as relaes
entre eles e as leis fsicas do ambiente que os cerca.

791

X SBAI Simpsio Brasileiro de Automao Inteligente

18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

Este trabalho se inspira no modelo proposto pelo

pesquisador Stephen Grossberg (1985, 1994, 2000,
2008), por ser este fruto de uma pesquisa ampla,
iniciada na dcada de 1960. O modelo de SHV proposto por Grossberg bem completo, e envolve explicaes acerca da percepo humana, sugerindo
solues para a percepo 3D, viso binocular, dominncia ocular, ocluso de bordas, aprendizado e
memria, dentre outros desafios. Seguindo o modelo
de Grossberg, este trabalho se concentra nas caractersticas associadas deteco de contornos.

dos cones e de clulas X, que so clulas responsveis por cor e detalhes finos. J o caminho M processa informao de luz/escurido e de clulas Y, que
so muito sensveis ao movimento.
Do NGL, os axnios seguem em direo ao crtex visual. no crtex visual que ocorre o processamento das informaes visuais, ou seja, as caractersticas de forma, profundidade, movimento e cor so
analisadas. Ele dividido em reas: V1, V2, V3, V4
e V5 (tambm conhecido como MT). A partir de V1,
o caminho P divide-se em dois caminhos paralelos,
que se juntam novamente em V4.

2 O sistema visual humano

2.1 O Modelo Visual Humano de Grossberg
O processamento da informao visual ocorre em
vrias reas do crtex cerebral (Kandell, 2000). O
sistema tem incio com a captao das imagens atravs dos olhos, por meio da retina, localizada no fundo olho, transformando a informao visual em sinais eltricos. Na Figura 2 observam-se as fibras do
nervo ptico chegando a trs reas: ncleo geniculado lateral (NGL), colculo superior e ncleo do nervo
culo-motor. O colculo superior faz o sensoriamento
que controla os movimentos sacdicos, que so os
deslocamentos dos olhos quando se quer focalizar
em um alvo determinado.

Figura 2. Fluxo de informaes visuais: olhoNGLCrtex.

Parte da informao visual chega ao ncleo do nervo culo-motor.
Imagem alterada e traduzida da original retirada de
(http://www.websters-online-dictionary.org/definitions/Optic%20Nerve?
cx=partner-pub-0939450753529744%3Av0qd01tdlq&cof=FORID%3A9&ie=UTF-8&q=Optic%20Nerve&sa=Search#922)

A maior parte da informao originada pela retina chega ao NGL, principal regio subcortical envolvida no processamento da informao para a percepo. Os sinais canalizados atravs do nervo ptico esto divididos em duas vias visuais distintas: o
caminho magnocelular (M) e o caminho parvocelular
(P). O caminho P recebe informaes principalmente

ISSN: 2175-8905 - Vol. X

Nesta seo, dar-se- um resumo de algumas das

hipteses do modelo de Grossberg que foram utilizadas no sistema proposto neste trabalho, apresentadas
a seguir:
1) segmentaes de imagens geradas pelo modelo
no so resultados de treinamento em exemplares de imagens;
2) o crebro possui uma organizao de processamentos paralelos e de naturezas complementares, teoria de nome Complementary Computing. A idia que existam pares de processamento de fluxos complementares, onde cada
caminho exibe vantagens e desvantagens. Por
causa dessa complementaridade, a proposta
que as interaes entre estes caminhos sobrepujem suas deficincias complementares;
3) Grossberg insere em seu modelo o conceito
The Two Streams Hypothesis, originalmente
proposto por Mortimer e Ungerleider (1982). A
hiptese considera que cada um dos caminhos
das informaes visuais se projeta para reas diferentes e, logo, processam atributos distintos.
Simplificadamente, o caminho M especializado em responder pergunta Onde (stream
Where), sendo usado para localizao de objetos, enquanto o caminho P especializado em
responder pergunta O que (stream What),
sendo usado para identificao de objetos;
4) a teoria neural, conhecida como FACADE
(Form-And-Color-And-Depth), prope que no
caminho P uma das ramificaes dentro do crtex visual faz o processamento de borda e a outra de superfcie (Figura 3). Seguindo a teoria
Complementary Computing, as interaes entre o processamento de borda e de superfcie selecionam o melhor grupamento de bordas entre
as vrias possibilidades de interpretao da cena.
Atravs de suas propriedades complementares, o
processamento de um caminho guia os sinais do
outro caminho;
5) teoria Hierarchical Resolution of Uncertainty,
onde incertezas devem ser superadas usando
mais de uma fase de transformao para cada
caminho, como, por exemplo, no processamento
dos caminhos P ou M. As incertezas podem ser

792

X SBAI Simpsio Brasileiro de Automao Inteligente

18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

interpretadas com o fato de que o resultado de

cada estgio, ou unidade funcional do sistema,
pode gerar resultados com falhas ou com graus
diferentes de confiabilidade, que podem ser corrigidos gradativamente, estgio a estgio.

Figura 3. Representao grfica simplificada dos caminhos do

modelo visual.

3 O Sistema Proposto
A proposta modelar um sistema inspirado no
modelo de Grossberg, cujo objetivo detectar contornos em imagens coloridas. O interesse modelar o
caminho P, pois sua finalidade identificar objetos
estticos (a entrada deste sistema apenas uma imagem esttica e no uma seqncia de imagens). Assim, no h informao de entrada para tratar movimento, e, logo, o caminho M no ser modelado.

caminho de Borda foi implementado por um processo de deteco de bordas clssico, o gradiente
morfolgico. A escolha se baseou em testes anteriores (Komati, Salles e Sarcinelli-Filho, 2010), nos
quais o gradiente morfolgico obteve melhores resultados. Para o pr-processamento de suavizao da
imagem usou-se o mtodo de Kuwahara com mscara 55 (Kuwahara, Hashimura e Eiho, 1976). Este
mtodo apresenta a vantagem de suavizar a imagem
e ao mesmo tempo preservar as bordas.
Para o caminho de Superfcie foi adotado um
mtodo de crescimento de regies, MM-Frac, que
ser descrito na subseo 3.2. Este mtodo possui
caractersticas que seguem a teoria de Grossberg,
pois dividido em dois estgios: integrao de medidas para o mapa utilizado como base para o crescimento de regies e a integrao (merge) dos
resultados das vrias escalas diferentes.
Assim, combinamos duas tcnicas complementares, a tcnica por similaridade (regio) e por descontinuidade (borda) de informao.
3.1 A Integrao dos Mtodos
Para a integrao dos resultados de bordas e regies, utilizou-se o mtodo KSS (Komati, Salles e
Sarcinelli-Filho, 2010). O KSS um mtodo totalmente automtico, que recebe duas entradas: uma
imagem binria representando segmentao de regies e uma imagem em escala de cinza representando
o grau de confiana de cada pixel ser uma borda.
Os resultados de detectores de borda apresentam
lacunas e informaes ruidosas, enquanto os resultados de mtodos de crescimento de regies tendem a
apresentar super-segmentao, alm de gerar contornos imprecisos e falsos (Muoz et al., 2003). A estratgia do mtodo KSS tirar proveito da natureza
complementar de cada mtodo, isto , retirar os contornos falsos das regies atravs da informao de
bordas e retirar o rudo da informao de bordas guiado pelos contornos do crescimento de regies, integrando as duas entradas em um nico resultado.
O controle do KSS baseado no resultado do
detector de bordas. Quanto menos ruidoso for este
resultado, maior o seu grau de confiana. Para tanto, utiliza-se o formato do histograma da imagem
resultante do detector de bordas. Assim, estima-se a
quantidade de pixels que indicam que no h borda,
(maior quantidade de pixels escuros, valores prximos de zero - entre 0 e 50), relativo informao de
certeza mdia de existncia de borda (valores existentes no meio do histograma, entre 50 e 200 na escala de cinza). O valor da confiana dado por

i =0 hi
200
i =50 hi
50

Figura 4. Arquitetura geral do mtodo proposto. Observe sua inspirao no modelo proposto na Figura 2.

O caminho P dividido em dois sub-caminhos

paralelos, um orientado para Borda e outro para
Superfcie, conforme a Figura 4. Neste trabalho, o

ISSN: 2175-8905 - Vol. X

confiana =

(1)

onde i=[0, 255] o valor do pixel. Quanto menos

ruidosa a imagem, mais se confia em seu resultado.

793

X SBAI Simpsio Brasileiro de Automao Inteligente

18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

3.2 O Mtodo de Crescimento de Regies

O mtodo escolhido para o crescimento de regies
foi o MM-Frac (Komati, Salles e Sarcinelli-Filho
2011). Neste mtodo, utilizam-se duas medidas de
homogeneidade de regies: J-value e medida multifractal. A medida J-value foi proposta no mtodo
JSEG em (Deng e Manjunath, 2001). A segunda
medida a medida multifractal (Chadhuri e Sarkar,
1995). Ambas as medidas recebem a imagem original e retornam imagens que podem ser interpretadas
como mapas 3D. Seguindo a linha de pares complementares, temos uma medida de segunda ordem (Jvalue) e uma medida de alta ordem estatstica (medida multifractal).
Para integrar as duas medidas, utilizou-se uma
mdia ponderada baseada na propriedade estatstica
global: o valor (alpha). Esta medida se mostrou
muito eficiente na classificao de imagens em categorias, conforme trabalho de Torralba e Oliva
(2003). Eles observaram que a declividade do perfil
da curva dada pelo espectro de potncia das imagens:
log(magnitude) log(freqncia) recai, na mdia,
na forma 1/f . Quanto menor o valor de , maior o
peso da medida multifractal e melhor o reconhecimento de texturas.
O mtodo de crescimento de regies aplicado
sobre este mapa 3D final. O mapa 3D o critrio de
agrupamento e manteve-se o algoritmo de crescimento de regies tal qual no mtodo JSEG original. Estes
mapas so calculados para vrias escalas diferentes e
eles so unidos em apenas uma imagem final, tal
qual no mtodo JSEG original, atravs de um processo de merge.

Figura 5. Arquitetura do mtodo MM-Frac.

A arquitetura do MM-Frac mostrada na Figura

5, onde todos os retngulos representam os processos
que recebem imagens como entrada e retornam uma
imagem como sada. Os retngulos sobrepostos representam a multi-escala, isto , os processos sero
repetidos para diferentes escalas. O processo com o

ISSN: 2175-8905 - Vol. X

texto alpha o processo que recebe uma imagem

como entrada e retorna um nmero real como sada.
4 Experimentos
Para avaliarmos a proposta deste trabalho, utilizamos
o banco de dados BSDS, composto de 100 imagens
de treino e 100 de testes. Utilizamos todas as imagens coloridas armazenadas na base de testes do
BSDS. No usamos a base de treinamento, pois no
h fase de treinamento (sistema no supervisionado).
Comparaes quantitativas de desempenho necessitam de referencial e mtricas bem definidas.
Ambos os requisitos podem ser encontrados no
BSDS. Para cada imagem de teste no BSDS h pelo
menos cinco imagens segmentadas por seres humanos, que constituem nosso referencial de percepo
humana. As mtricas padro do BSDS so preciso,
sensibilidade e medida-F (precision, recall, e Fmeasure) (Martin, Fowlkes, e Malik, 2004).
O BSDS tambm fornece um conjunto de programas para o cmputo das medidas padro, que
aceitam programas aceitam imagens em escala de
cinza. Para cada imagem, passa-se como parmetro
um nmero inteiro, indicando a quantidade de limiares a serem utilizados (que nos testes deste trabalho
foi definida como 10). Cada imagem binarizada
para cada limiar calculado e, em seguida, calcula-se a
preciso, sensibilidade e medida-F. A Figura 6 mostra alguns resultados: So mostrados a imagem de
entrada (6(a)), o referencial humano (6(b)), os resultados das deteces de contorno correspondentes ao
JSEG (6(c)), MM-Frac (6(d)), deteco de bordas via
gradiente morfolgico (6(e)) e aps o processo KSS
(6(f)). Em cada imagem encontra-se, tambm, a medida-F correspondente.
Primeiramente, analisaremos qualitativamente os
resultados com relao ao referencial humano. Antes, porm, importante ressaltar que o algoritmo
JSEG tende a super-segmentar as imagens, dividindo
os objetos em muitas regies menores e a abordagem
MM-Frac, por sua vez, diminui a quantidade de segmentos. Por exemplo, as rvores no fundo na primeira imagem (imagem 167062 na Figura 6) no so
detectadas, como no resultado do JSEG. Alm disso,
os resultados apresentam contornos mais precisos.
Na imagem da cobra, a fronteira abrange todo o corpo do animal, e no fragmentos do mesmo.
Apresentam-se na quinta coluna, os resultados
da deteco de bordas. Os resultados so muito ruidosos, o que se deve, principalmente, ao fato de que
as tcnicas de deteco de bordas confiam inteiramente na informao local disponvel na imagem.
Existe resposta a todas as variaes de contraste em
relao s regies de textura, como na rea de areia
na segunda linha da Figura 6, ou na grama da parte
inferior esquerda da imagem do trem. Ao mesmo
tempo, o mtodo de deteco de bordas responsvel por destacar detalhes como o graveto na esquerda
da rea de neve, na primeira linha da Figura 6, e a

794

X SBAI Simpsio Brasileiro de Automao Inteligente

18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

folha perto da cobra, na segunda imagem da Figura

6.
Os resultados para o mtodo KSS so apresentados na ltima coluna. Detalhes detectados pelo mtodo de deteco de bordas so mantidos e o rudo
atenuado, desaparecendo aps a binarizao do
BSDS. Agora, as bordas so mais precisas e mais
prximas das imagens do referencial humano.
Em (Deng e Manjunath, 2001), o maior problema observado no resultado do JSEG causado pelas
variaes suaves de tonalidade, comumente geradas
por uma fonte de iluminao, como pode ser observado no cu da imagem 42049, na ltima linha da
Figura 6. No h uma fronteira clara, e a percepo
do referencial humano no distingue essa regio. No
entanto, o resultado do JSEG apresenta uma regio
circular na imagem. O resultado aps KSS no apresenta este contorno. A explicao que a deteco
de bordas no percebe a variao suave como um
contorno e o KSS apaga a borda. Da mesma forma,
podemos verificar que o segmento acima da fumaa
do trem foi removido.
Em termos quantitativos, as mtricas de sensibilidade, preciso e medida-F de cada mtodo so apresentados na parte superior da Tabela 1. A abordagem MM-Frac melhora a sensibilidade, sem diminuir
a preciso, aumentando um pouco a medida-F. A
deteco de bordas apresenta a menor preciso, devido aos pixels ruidosos. Aps o mtodo KSS, a medida-F aumenta para 0,61, sendo este valor mais prximo da medida-F do referencial humano.
O BSDS gera grficos com os resultados de cada
imagem numa curva preciso versus sensibilidade. O
valor mximo da medida-F nessa curva a medida-F
que sumariza o algoritmo. Alm disso, foi calculado
o resumo estatstico baseado na mdia simples das
100 imagens da base de testes, que mostrado na
parte inferior da Tabela 1. A partir de tais valores
mdios, observa-se que o KSS apresentou os melhores resultados de medida-F, em comparao com
aqueles obtidos pelos outros mtodos testados.

JSEG

MM-Frac

Detector
de Borda

KSS

B sensibilidade
S
preciso
D
medida-F
S
m sensibilidade
e
preciso
d
medida-F
i
a

Percepo
Humana

Tabela 1. Mtricas de cada mtodo calculado pelo BSDS.

0.70
0.89
0.79
0.70
0.89
0.78

0.61
0.56
0.58
0.61
0.57
0.58

0.63
0.56
0.59
0.63
0.57
0.59

0.65
0.49
0.56
0.69
0.55
0.59

0.69
0.54
0.61
0.73
0.57
0.63

5 Concluses
Este trabalho prope uma nova abordagem para deteco de contornos de imagens coloridas, inspirado
no modelo visual humano. Como na teoria de Grossberg, o sistema totalmente automtico, no possui

ISSN: 2175-8905 - Vol. X

sintonia de parmetros para imagens individuais e

no possui fase de treinamento (no supervisionado).
A abordagem foi processada em estgios: gerao do resultado por superfcie e integrao deste
com o resultado da deteco de bordas. Em cada
estgio, os processamentos foram aos pares, em dois
caminhos paralelos de natureza complementar. A
integrao de cada estgio tenta corrigir as falhas
entre os pares.
A concluso que a abordagem bio-inspirada
proposta neste trabalho apresenta resultados que correspondem mais percepo humana do que os resultados associados aos mtodos isolados utilizados
no sistema.
Um grande passo futuro a implementao do
modelo completo de Grossberg utilizando tcnicas
de processamento digital de imagens aliadas a algoritmos de reconhecimento de padres.
Agradecimentos
Gostaramos de agradecer a bolsa de estudo fornecida pela CAPES para Karin Komati e ao Programa de Ps-Graduao em Engenharia Eltrica (PPGEE) da UFES, por todo o suporte dado pesquisa.
Referncias Bibliogrficas
Chaudhuri, B. B.; Sarkar, N., (1995). Texture segmentation using fractal dimension, IEEE Trans.
Pattern Anal. Mach. Intell., 17 (1), 7277.
Deng, Y. and Manjunath, B. S., (2001). Unsupervised segmentation of color-texture regions in
images and video, IEEE Trans. Pattern Anal.
Mach. Intell., 23 (8) pp. 800-810.
Grossberg, S. and Mingolla, E., (1985). Neural dynamics of perceptual grouping: textures,
boundaries, and emergent segmentations. Perception And Psychophysics, 38(2), p.141-171.
Grossberg, S., (1994). 3-D vision and figure-ground
separation by visual cortex. Perception Psychophysics, 55(1), pp. 48-121.
Grossberg, S. (2000). Linking Mind To Brain: The
Mathematics of Biological Intelligence. Notices
of the American Society. Vol. 47. pp. 13611372.
Grossberg, S. (2008). The art of seeing and painting.
Spatial Vision. Vol. 21(3-5). pp. 463-486 (24).
doi:10.1163/156856808784532608
Hu, D-K. Li, J-P., Yang, S. X. and Gregori, S.
(2009) A Bio-inspired Model for Color Image
Segmentation. Proc. of the International Conference on Apperceiving Computing and Intelligence Analysis, 2009. ICACIA 2009. pp. 317320.
Kandel, E. R., Schwartz, J. H. and Jessell, T. M.
(2000). Principles of Neural Science. 4th ed.
McGraw-Hill, New York.

795

X SBAI Simpsio Brasileiro de Automao Inteligente

18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

Komati, K. S. and De Souza, A. F. (2003).Using

Weightless Neural Networks for Vergence Control in an Artificial Vision System, Journal Of
Applied Bionics And Biomechanics, Auckland,
New Zealand, Vol 1, n 1, pp. 21-32.
Komati, K. S., Salles, E. O. T. and Sarcinelli-Filho,
M., (2010). A Strategy for Image Boundary Detection Combining Region and Edge Maps, Computing in Science and Engineering, IEEE computer
Society
Digital
Library.
doi:
10.1109/MCSE.2010.148.
Komati, K. S., Salles, E. O. T. and Sarcinelli-Filho,
M. (2011). Two-level Strategy for Image
Boundary Detection. Proc. of the International
Conference on Computer Vision Theory and
Applications. VISAPP 2011. Vilamoura, Algarve, Portugal. pp. 181-186.
Kppen, M., Ruiz-del-Solar, J. and Soille, P. (1998).
Texture Segmentation by Biologically-Inspired
Use of Neural Networks and Mathematical Morphology. Proc. of the Intrenational ICSC/IFAC
Symposium on Neural Computation (NC). Vienna, Austria. pp. 267-272.
Kuwahara, M., Hachimura, K., and Eiho, S. (1976).
Processing of Riangiocardiographic Images,
Digital Processing of Biomedical Images, Plenum, pp.187203.

Marr, D. (1982). Vision. Freeman Publishers.

Martin, D. R., Fowlkes, C. C., Tal, D. and Malik, J.,
(2001). A database of human segmented natural
images and its application to evaluating segmentation algorithms and measuring ecological statistics. In Proc. 8th IEEE Intl Conf. Computer
Vision, Vol. 2, pp. 416423.
Martin, D. R., Fowlkes, C. C. and Malik, J., (2004).
Learning to detect natural image boundaries using local brightness, color, and texture cues,
IEEE Trans. Pattern Anal. Mach. Intell., Vol.
26(5), pp. 530549.
Mishkin, M. and Ungerleider, L. G. (1982). Contribution of striate inputs to the visuospatial functions of parieto-preoccipital cortex in monkeys.
Behavioural Brain Research. Vol. 6(1), pp 57-77.
Muoz, X., Freixenet, J., Cuf, X., Mart, J., (2003).
Strategies for image segmentation combining region and boundary information, IEEE Pattern
Recognition Letters, 24(1-3), 375392.
Olshausen B.A. and Field, D. J. (2005). "How close
are we to understanding V1?" Neural Computation. Vol. 17, pp.1665-1699.
Torralba, A. and Oliva, A., (2003). Statistics of
Natural Image Categories, Institute of Physics
Publishing: Computation in Neural Systems, Vol.
14, pp. 391-412.

Imagem de
Entrada

Referencial
Humano

JSEG

MM-Frac

Detector de
Bordas

KSS

167062

Medida-F = 0.95

Medida-F = 0.62

Medida-F=0.88

Medida-F=0.92

Medida-F=0.94

196073

Medida-F = 0.85

Medida-F=0.55

Medida-F=0.74

Medida-F=0.70

Medida-F=0.79

182053

Medida-F = 0.80

Medida-F=0.62

Medida-F=0.70

Medida-F=0.64

Medida-F = 0.71

134035

Medida-F = 0.54

Medida-F=0.60

Medida-F=0.60

Medida-F=0.62

Medida-F = 0.64

42049
(a)

Medida-F = 0.96
(b)

Medida-F = 0.75
(c)

Medida-F = 0.58
(d)

Medida-F = 0.93
(e)

Medida-F = 0.91
(f)

Figura 6. Cinco exemplos de imagens da base de testes do BSDS. (a) imagem de entrada (b) referencial humano (c) resultado do JSEG (d)
resultado do mtodo MM-Frac (e) resultado do mtodo de deteco de bordas (f) resultado aps KSS.

ISSN: 2175-8905 - Vol. X

796