Segmentação de imagens é uma tarefa importante em processamento de imagens usualmente empregada em tarefas mais complexas de visão computacional. Em abordagens de segmentação por agrupamento em grafos a imagem é modelada por um grafo, em que geralmente os vértices são representados por pixels e as arestas por pesos que denotam similaridade entre pixels. Os problemas associados a abordagens baseadas em grafos normalmente dizem respeito ao custo computacional e a alta cardinalidade dos grafos, que se traduz no grande número de vértices e arestas necessários para gerar uma adequada representação da imagem. Das abordagens para segmentação com grafos, destacam-se aquelas baseadas em detecção de comunidades em redes complexas, como por exemplo o Label Propagation em especial por apresentarem mais baixo custo computacional. No entanto, tais métodos quando aplicados diretamente em imagens, não geram resultados precisos, além de serem não determinísticos, o que é uma qualidade indesejável em segmentação de imagens. Por outro lado, as técnicas de superpixels, que combinam vários pixels, são importantes não apenas na redução da cardinalidade dos grafos, com também proporcionam maior poder descritivo se comparado a um único pixel. Esta tese de doutorado apresenta uma nova família de métodos de segmentação para imagens de cenas naturais de alta dimensão baseada no método Label Propagation e superpixels, de comportamento determinístico e que utiliza-se de informações específicas do domínio de imagens. Foram desenvolvidos algoritmos tanto para segmentação automática (SGLP - Simple Graph Label Propagation e MGLP - Multi-level Label Propagation), quanto para segmentação interativa (IGLP - Interactive Graph Label Propagation), que demanda auxílio do usuário. Os resultados quantitativos mostram uma precisão PRI de 0:83 e percentagem de erro de Er 6:13%, para a versão automática e interativa, respectivamente. Também foram obtidos resultados no tempo de processamento de 0:0048 s e 0:29 s, para segmentação automática e interativa. Tais resultados foram corroborados em vários experimentos sobre conjuntos de dados padrão. Quando comparados com métodos relacionados, os resultados dos métodos se mostram superiores tanto em precisão media e tempo para segmentação automática, e no caso do método de segmentação interativa (IGLP) apresenta resultados de precisão media relativamente inferiores, mas com a vantagem de ser mais rápido.

Image segmentation is an important task in image processing, usually employed in more complex computer vision tasks. In graph clustering-based segmentation approaches, the image is modeled by a graph, in which vertices are generally represented by pixels and edges by weights that denote similarity between pixels. The problems associated with graph-based approaches usually concern the computational cost and the high cardinality of the graphs, which translates into the large number of vertices and edges necessary to generate an adequate representation of the image. Among segmentation approaches with graphs, those based on detection of communities in complex networks, such as Label Propagation, in particular because they have a lower computational cost, stand out. However, such methods when applied directly to images, do not generate accurate results, in addition to being non-deterministic, which is an undesirable quality in image segmentation. On the other hand, superpixels techniques, which combine several pixels, are important not only in reducing the cardinality of the graphs, but also in providing greater descriptive power compared to a single pixel. This doctoral thesis presents a new family of segmentation methods for images of large natural scenes images based on the Label Propagation and superpixels method, with deterministic behavior and which uses specific information from the image domain. Algorithms were developed for both automatic segmentation (SGLP - Simple Graph Label Propagation and MGLP - Multi-level Label Propagation), and for interactive segmentation (IGLP - Interactive Graph Label Propagation), which demand user assistance. Quantitative results show a PRI precision of 0:83 and error percentage of Er 6:13%, for the automatic and interactive version, respectively. Results were also obtained in the processing time of 0:0048 s and 0:29 s, for automatic and interactive segmentation. These results were corroborated in several experiments on standard data sets. When compared with related methods, the results of the methods are superior both in mean precision and time for automatic segmentation. As for the interactive segmentation method (IGLP), segmentation mean precision was slightly outperformed by state of the art methods, but run in shorter times.