Segmentar uma imagem consiste em particioná-la em regiões que a compõem, tal como para isolar os pixels de um objeto de interesse em uma dada aplicação. A segmentação de imagem é um dos problemas mais desafiadores em processamento de imagens e visão computacional, tendo que lidar com problemas como ruído, volume parcial, inomogeneidade, variação de iluminação, baixo contraste, variações de resolução da câmera, heterogeneidade do plano de fundo, objetos complexos com diferentes formas e tamanhos. No contexto de segmentação não supervisionada, a dificuldade é agravada pela ausência de pixels rotulados que poderiam nos fornecer pistas para a correta identificação dos objetos de interesse e, portanto, tornando a tarefa menos sujeita a ambiguidades. A Oriented Image Foresting Transform (OIFT) tem sido empregada com sucesso no contexto de segmentação interativa de imagens, permitindo a incorporação de várias restrições de alto nível, tais como polaridade de borda, restrições de conexidade, restrições de forma e relações hierárquicas de inclusão/exclusão, a fim de customizar a segmentação para um dado objeto alvo ou grupo de objetos de interesse. Neste trabalho, estendemos a OIFT para a segmentação não supervisionada de imagens sujeita a restrições de alto nível com base em cortes ótimos em grafos direcionados. O novo método proposto, denominado Unsupervised OIFT (UOIFT), considera relações assimétricas para calcular hierarquias de partições. Dentre as restrições de alto nível atualmente suportadas pela UOIFT, temos: (a) Polaridade de borda, que favorece configurações esperadas para as transições de borda do objeto desejado (e.g., transições de claro para escuro/escuro para claro ou entre duas cores esperadas). (b) Penalização de contornos com elevada curvatura, sendo possível distinguir partes côncavas e convexas da forma, assim permitindo a filtragem de formas indesejadas. (c) Favorecimento de objetos com maior área/volume, via reorganização da hierarquia, conservando as demais restrições. Os resultados são demonstrados utilizando um grafo de regiões adjacentes de superpixels em imagens médicas e naturais, exigindo um número menor de partições para isolar com precisão os objetos de interesse nas imagens em comparação com outros métodos da literatura.

Segmenting an image consists of partitioning it into its composing regions, such as to isolate the pixels of an object of interest in a given application. Image segmentation is one of the most challenging problems in image processing and computer vision, having to deal with problems such as noise, partial volume, inhomogeneity, lighting variation, low contrast, variations of camera resolution, background heterogeneity and complex objects with different shapes and sizes. In the context of unsupervised segmentation, the difficulty is aggravated by the absence of labeled pixels that could provide us with clues for the correct identification of the objects of interest, thus making the task less subject to ambiguity. The Oriented Image Foresting Transform (OIFT) has been successfully employed in the context of interactive image segmentation, allowing the incorporation of several high-level constraints, such as boundary polarity, connectivity constraints, shape constraints, and hierarchical relations of inclusion/exclusion, in order to customize the segmentation for a given target object or group of objects of interest. In this work, we extend OIFT to perform unsupervised image segmentation subject to high-level constraints based on optimal cuts in directed graphs. The newly proposed method, called Unsupervised OIFT (UOIFT), considers asymmetric relations to calculate hierarchical partitions. Among the high-level constraints currently supported by UOIFT, we have: (a) Boundary polarity, which favors expected settings for the edge transitions of the desired object (e.g., transitions from light to dark/dark to light, or between two expected colors). (b) Penalty for contours with high curvature, making it possible to distinguish concave and convex parts of the shape, thus allowing the filtering of unwanted shapes. (c) Favoring of objects with larger area/volume, via the reorganization of the hierarchy, preserving the other restrictions. The results are demonstrated using a region adjacency graph of superpixels in medical and natural images, requiring a smaller number of partitions to accurately isolate the objects of interest in the images compared to other methods in the literature.