MeSegHI: um método de segmentação para o processamento linear e não-linear de imagem
Resumo
O presente trabalho tem como objetivo desenvolver o método de segmentação híbrido, o qual utiliza duas técnicas de segmentação: uma linear, Mean Shift, e outra não-linear, Watersheds por Image Foresting Transform (IFT). Para implementar esse método utilizou-se um conjunto reduzido
de cores obtido pela aplicação do procedimento Mean-Shift, como marcadores para o algoritmo IFT. Com o desenvolvimento dessa técnica, o usuário não necessita selecionar o conjunto de marcadores corretos para realizar o processo de segmentação por Watersheds-IFT, pois o método
híbrido fará isso automaticamente. Se as sementes geradas não forem suficientes ou forem inseridas em uma parte da amostra que não esteja sendo analisada, o usuário, por meio da interface, poderá inserir ou retirar tais sementes, a fim de obter um melhor resultado. Com o objetivo de desenvolver um sistema robusto e eficiente, com alto grau de reusabilidade, optou-se por utilizar o paradigma de programação orientada a objetos, juntamente com a aplicação de padrões de projeto.
A linguagem de programação utilizada é a Java, que além de dar suporte à orientação a objetos, possui uma Application Programming Interface (API) denominada Java Advanced Imaging (JAI) que permite a implementação de operações para o processamento de imagens com maior facilidade. A linguagem UML é usada para projetar o sistema, ajudando o desenvolvedor a extrair melhor as informações necessárias a fim de construir o software. Após desenvolver o método de
segmentação híbrida são realizadas três aplicações a fim de que sua eficiência seja comprovada. A primeira aplicação busca auxiliar os patologistas a realizarem a classificação do exame de Papanicolaou em seus respectivos níveis; a segunda, realiza uma comparação entre os métodos de
segmentação Watersheds-IFT e híbrido; e a terceira visa auxiliar profissionais da área médica, a mdir a profundidade do câncer de pele em tecidos histológicos.