Tese de Doutorado

A Transformada Imagem-Floresta (IFT) é um arcabouço baseado em grafos para desenvolver operadores de imagem baseados na conectividade ótima entre um conjunto de nós semente e os demais nós restantes, de acordo com uma determinada função de custo de caminho. A Transformada Imagem-Floresta Orientada (OIFT) foi proposta como uma extensão de alguns métodos de segmentação baseados na IFT para grafos direcionados, permitindo-lhes suportar o processamento de propriedades globais de objetos, tais como restrições de conexidade, restrições de forma, polaridade das bordas e restrições hierárquicas, permitindo assim sua personalização para um determinado objeto alvo de interesse. A OIFT encontra-se na interseção dos arcabouços Generalized Graph Cut e General Fuzzy Connectedness, herdando suas propriedades. A segmentação retornada pela OIFT é ótima em relação a uma medida de corte em grafo, entre todas as segmentações que satisfazem as restrições dadas, tendo sido usada com sucesso na segmentação tridimensional de estruturas anatômicas a partir de imagens médicas de tomografia computadorizada e ressonância magnética. Neste trabalho, apresentamos um estudo sobre a Transformada Imagem-Floresta Orientada Diferencial (DOIFT), que permite múltiplas execuções de OIFT para diferentes conjuntos de sementes, tornando o tempo de processamento proporcional ao número de nós modificados. Nossos resultados experimentais mostram ganhos consideráveis de eficiência sobre o fluxo sequencial de OIFTs na segmentação de imagens, mantendo um bom tratamento das zonas de empate. Demonstramos também que o fluxo diferencial torna viável a incorporação de conhecimento prévio sobre o tamanho máximo permitido para o objeto segmentado, evitando assim erros de falsos positivos na segmentação de imagens multidimensionais. Também propomos um algoritmo para criar eficientemente um mapa hierárquico que codifica resultados da OIFT com restrição de área para todos os limiares possíveis, facilitando a seleção rápida do objeto de interesse, como atestado em experimentos com imagens médicas.

The Image Foresting Transform (IFT) is a graph-based framework to develop image operators based on optimum connectivity between a root set and the remaining nodes, according to a given path-cost function. Oriented Image Foresting Transform (OIFT) was proposed as an extension of some IFT-based segmentation methods to directed graphs, enabling them to support the processing of global object properties, such as connectedness, shape constraints, boundary polarity, and hierarchical constraints, allowing their customization to a given target object. OIFT lies in the intersection of the Generalized Graph Cut and the General Fuzzy Connectedness frameworks, inheriting their properties. Its returned segmentation is optimal, with respect to an appropriate graph cut measure, among all segmentations satisfying the given constraints, having been successfully used in the three-dimensional segmentation of anatomical structures from medical computed tomography and magnetic resonance imaging. In this work, we present a study of the Differential Oriented Image Foresting Transform (DOIFT), which allows multiple OIFT executions for different root sets, making the processing time proportional to the number of modified nodes. Experimental results show considerable efficiency gains over the sequential flow of OIFTs in image segmentation, while maintaining a good treatment of tie zones. We also demonstrate that the differential flow makes it feasible to incorporate the prior knowledge about the maximum allowable size for the segmented object, thus avoiding false positive errors in the segmentation of multi-dimensional images. We also propose an algorithm to efficiently create a hierarchy map that encodes area-constrained OIFT results for all possible thresholds, facilitating the quick selection of the object of interest, as attested in experiments with medical imaging.