Tecnicas de Segmentacion VI

VISIN POR COMPUTADOR
TCNICAS DE SEGMENTACIN I
MASTER EN Automtica, Robtica y Telemtica
Dr. J. RAMIRO MARTINEZ DE DIOS
Introduccin
Segmentacin mediante umbralizacin
Tcnicas basadas en frontera
Segmentacin basada en regiones
Tcnicas de Segmentacin
Dividir una imagen en zonas o regiones con atributos
similares (intensidad, textura, movimiento)
Esencial en cualquier esquema de anlisis de imagen
bajo nivel
alto nivel
Introduccin
Adquisicin
Preprocesamiento
Segmentacin
Descripcin de objetos
Reconocimiento de objetos
Interpretacin
Clasificacin general:
Objetivo: resaltar fronteras del objeto a segmentar
Ventajas: simplicidad una vez encontradas las fronteras
Desventajas: dificultades en encontrar fronteras (!=borde)
- requiere operadores paso alto de deteccin de bordes
(Laplaciana, Sobel) -> alto nivel de ruido
- requiere operadores sofisticados (Canny)
- requiere construccin de fronteras a partir de bordes.
Introduccin
Tcnicas basadas en regiones
Objetivo: resaltar regiones de caractersticas similares
Ventajas: simples
Desventajas: encontrar caracterstica discriminante
(= = problema de clasificacin)
Caractersticas: basados en nivel de gris, parmetros
estadsticos (textura, varianza), movimiento, etc...
Mtodos:
- umbralizacin de niveles de gris
- crecimiento de regiones
- segmentacin basada en movimiento
Introduccin
Problemas de la segmentacin
Robustez ante:
cambios de iluminacin
ruido en las imgenes
falta de estructuracin en las imgenes
Adaptacin a aplicaciones especficas
Introduccin
Introduccin
Objetivo: diferenciar objetos de distintos niveles de gris
Utilidad: los objetos deseados presentan niveles de
intensidad caractersticos y nicos en la imagen
Idea:
Si Im(x,y) < Th Objeto 0
Si Im(x,y) >= Th Objeto 1
Im(x,y) una imagen, (x,y) coordenadas
Th es el umbral para diferenciar Objeto 0 y Objeto 1
Histograma de las imgenes: h(i)= n / NP
n = n de pxeles de intensidad i
NP = n de pxeles total de la imagen
Hiptesis:
imgenes de niveles de gris
histograma bi-modal: dos poblaciones de pxeles: objeto de
inters (Objeto 1) y fondo (Objeto 0)
intensidad de objeto > intensidad de fondo
i
h(i)
Fondo Objeto
Th
Clasificacin:
Umbral global: Th = f( Im(x,y) )
Umbral local: Th
i
= f( N(x
i
,y
i
), Im(x,y) )
Umbral dinmico: Th
i
= f( x
i
, y
i
, N(x
i
,y
i
), Im(x,y) )
N(x
i
,y
i
) una propiedad local en torno a la vecindad de (x
i
,y
i
)
(x
i
,y
i
) un punto de la imagen
Seleccin de umbral == Problema de clasificacin
Objetivo: Minimizar el nmero de pxeles mal clasificados
Nfa = nmero de pixeles del fondo clasificados como del objeto
Nnd = nmero de pxeles del objeto clasificados como del fondo
Umbral perfecto: Nfa=0, Nnd=0
i
h(i)
Objeto 0 Objeto 1
Th
Nfa
Nnd
Tcnicas globales: un solo valor para toda la imagen
Diversos criterios de discriminacin/separabilidad
estadsticos
Mtodo de umbral ptimo
Supone fondo y objeto con funciones de densidad de probabilidad
conocidas
h(i) = P
o
x p
o
(i) + P
1
x p
1
(i)
P
o
y P
1
son las probabilidades de fondo y objeto priori (P
o
+ P
1
=1)
p
o
(i) y p
1
(i) son las funciones de densidad de probabilidad del fondo y objeto
priori
El umbral ptimo: P
o
x p
o
(Th) = P
1
x p
1
(Th)
Sup. funciones de densidad de probabilidad gaussianas, i.e.
Si Th = (m
0
+m
1
)/2
Desventajas: Sin utilidad prctica. El clculo de m
0
y m
1
requiere
calcular Th.
Hiptesis estricta (distrib gaussiana)
Ha dado lugar a diversos mtodos
1 0
=
( )
2
0
2
2
0
- i

0
0

2
1
) (

m
e i p
=
Mtodo basado en bordes
Los pxeles del borde tendrn histograma regular con equi-
probabilidad de objeto y borde
Solo se considera el histograma de los pxeles del bordes del objeto
de inters
Deteccin de bordes omnidireccional: Laplaciana :
Solo se consideran pxeles cuya Laplaciana > valor
Weska J.S., R.N. Nagel y A. Rosenfeld, A Threshold Selection Technique,
IEEE Trans. Comput. Vol. C-23, pp. 1322-1326, 1974.
(
(
(
=
0 1 0
1 4 1
0 1 0
L
Nivel de gris
pixeles de borde
Bsqueda iterativa
Busca zonas del histograma coherentes desde el punto de vista de
la media
Mtodo iterativo del umbral ptimo.
L n de niveles de gris
El algoritmo termina cuanto Tk+1 = Tk
Es ptimo para el problema de binarizacin de imgenes,
minimizando el error medio cuadrtico respecto a la media de
cada poblacin :
2
1 0
1
m m
T
k
=
+

=

=
1
0
0
) (
k
T
i
i h i m

=

=
1
1
) (
L
k
T i
i h i m
di i h m i di i h m i e J
L
T
T
) ( ) ( ) ( ) (
1 2
1
1
0
2
0
2
= =

REF
Ridler T.W. y S. Calvard, Picture Thresholding using an Iterative
Selection Method, IEEE Transactions on Systems, Man, and Cybernetics.
Vol SMC-8, pp. 630-632, 1978.
Trussel H. J., Comment on Picture Thresholding using an Iterative
Selection Method , IEEE Transactions on Systems, Man, and
Cybernetics. Vol SMC-9, pp. 311, 1979.
Magid A., S.R. Rotman and A.M. Weiss, Comment on Picture
Thresholding using an Iterative Selection Method , IEEE Transactions
on Systems, Man, and Cybernetics. Vol 20, pp. 1238-1239, 1990.
Mnima varianza
Busca zonas del histograma coherentes desde el punto de vista de
la varianza.
Supuesto un valor de umbral Th calcula:
Varianza entre clases:
Varianza total de la imagen:
2
0 1 1 0
2
) ( m m w w
b
=
=

=
1
0
0
) (
t
i
i h w

=

=
1
1
) (
L
Th i
i h w
.
0
0
w
m
m
t
=
,,,,,,
0
1
1 w
m m
m
t T
=

=
1
0
) (
Th
i
t
i h i m

=

=
1
0
) (
L
i
T
i h i m
=

=
1
0
2 2
) ( ) (
L
i
T T
i h m i
Se toma como umbral el valor de Th que minimice la varianza
entre clases:
El valor de (Th) se utiliza como medida para cuantificar la
separabilidad entre clases
REF
Otsu N., A Threshold Selection Method from Grey-level Histograms,
IEEE Transactions on Systems, Man, and Cybernetics. Vol 9, pp. 377-393,
1979.
2
2
) (
T
b
Th
=
Mxima correlacin
Trata de elegir el Th que optimiza la similitud entre la imagen
original y la umbralizada segn el criterio de correlacin
-1< r
T
<1
Im
T
es la imagen umbralizada
Desventajas: trata de dividir la imagen suponiendo equiprobabilidad
en ambas poblaciones, lo cual no es cierto en muchas aplicaciones
Alta intensidad computacional
Mxima entropa
Supone imgenes como fuente de smbolos, cada uno se corresponde
con un nivel de gris
La entropa de una fuente X de N smbolos es:
p(xi) es la probabilidad de ocurrencia del smbolo xi
Dado un valor de umbral t, se definen las entropas de los pixeles del
objeto y fondo como:
las probabilidades de ocurrencia son h(i)
Se selecciona el valor de t que maximiza: H = Ho+Hf
Hay variaciones del algoritmo donde las probabilidades de ocurrencia
de los smbolos son:
pi/P
T
si i < t
pi/(1-P
T
) si i >= t
REF
Pun T., A new method for gray level picture thresholding using the
entropy of the histogram, Signal Processing 2, pp. 223-237, 1980.
Kapur, Sahoo & Wong, "A new method for Gray-level picture
thresholding using the entropy of the histogram", Computer Vision,
Graphics, and Image Processing, vol 29, pp. 273-285, 1985.
Mnimo error de clasificacin
Se basa en el mtodo de umbral ptimo, sup. dos gaussianas
Minimiza el ndice J:
donde
Kittler J. y J. Illingworth, Minimum error thresholding, Pattern
Recognition, vol. 19, pp. 41-47, 1986.
Tcnicas basadas en lgica borrosa
Emplea tcnicas borrosas como estimacin de la similaridad
Funcin de pertenencia que asigna valor de probabilidad a cada
pixel
C es el contraste de la imagen
La estimacin de similaridad se hace mediante:
Huang L-K. y M-J. J. Wang, Image Thresholding by Minimizing the
Measures of Fuzziness, Pattern Recognition, pp. 341-347, 1995.
El mtodo selecciona el
valor de t de menor E(t)
Mtodos multiresolucin
Permiten analizar el histograma con diferentes escalas de
resolucin (caractersticas de filtrado LP)
(Olivo J.C, 1994) Permiten detectar los puntos de inflexin (i.e.
cambios de signo de la pendiente) en el histograma en diferentes
escalas de resolucin
La DWT de f(x) en la escala s es:
Si se toma como wavelet madre
siendo (x) una funcin suave
La DWT de f(x) en la escala s es:
La DWTs(f(x)) es proporcional a la 2 derivada de f(x) suavizada
a la escala s.
Los ceros de DWTs(f(x)) vale 0 en los puntos de inflexin de la
f(x) suavizada a la escala s.
Todos los ceros de DWTs(f(x)) son posibles umbrales. Se
selecciona como vlido el umbral que se repite en mayor nmero
de escalas s.
Ventaja: elimina el ruido y las altas frecuencias del histograma
Desventaja: defectuosa seleccin de umbral entre candidatos
REF
Olivo J.C., "Automatic Threshold Selection Using The Wavelet
Transform", Graphical Models and Image Processing, vol. 56, n 3, May,
pp. 205-218, 1994.
Tcnicas locales: Se divide la imagen en regiones de vecindad y
en cada una se aplica diferentes umbrales
Efecto tablero de ajedrez
Mtodo de Chow-Kaneko
Se genera una matriz de umbrales (uno para cada pixel)
Subimgenes de igual tamao (doble que objetos esperados)
parcialmete superpuestas
A cada subimagen se aplica prueba de bimodalidad. Ajuste a dos
gaussianas
Si se ajusta bien, se calcula el umbral optimo de ambas gaussianas
Si no se ajusta bien, se supone uni-modal, i.e objeto o fondo, y se asocia
umbral de vecina
Interpolacin pixel-a-pixel en imagen completa
Ajuste mediante gaussianas:
filtrado de histograma de cada subimagen (eliminacin de ruido)
se escoge punto mnimo del histograma como umbral ptimo
clculo inicial de parmetros estadsticos de gaussianas
correccin de parmetros mediante mnimos cuadrados
Es ampliamente utilizado. Ha dado lugar a mltiples versiones.
REF
Chow C.K. y T. Kaneko, "Automatic detection of the left ventricle from
cineangiograms", Computers and biomedical research, vol. 5, pp 388-410,
1972
Yasuo Nakagawa y Azriel Rosenfeld, "Some experiments on variable
thresholding", Pattern Recognition, vol 11, no 3, pp. 191-204, 1979.
Modelado de iluminacin mediante bordes
Eliminan las variaciones de iluminacin local de la imagen
Identificacin y modelado de iluminacin:
Iluminacin local: variaciones de baja frecuencia
Objetos: variaciones de alta frecuencia
PASOS:
Se aplica detector de bordes
Se construye una superficie que aproxima los bordes detectados
Una vez construida, los pxeles de intensidad notablemente menor se
consideran fondo y los de intensidad parecida o superior se
consideran objeto
Alto coste computacional
Salkauskas K.P. Lancaster, Curve and Surface Fitting, An
Introduction, New York, Academic Press, 1981.
Mtodos basados en relajacin
Generan estimacin inicial de la segmentacin pxel a pxel
En pasos sucesivos se modifican las estimaciones atendiendo a sus
vecinos
El algoritmo finaliza cuando no se producen modificaciones en
dos pasos sucesivos.
Gran variedad de modificaciones
Alto coste computacional
REF
Wellner P., Interacting with paper on the digital desk,
Communications of the ACM, 36(7), pp. 86-96, 1993.
CONCLUSIONES
Es complicado encontrar un mtodo adecuado a una aplicacin
Se basan en parmetros estadsticos objetivos
Limitada posibilidad de adaptacin a problemas especficos
Nuevas Tcnicas Fuzzy-Wavelet de Seleccin de Umbral
Nuevas Tcnicas Fuzzy-Wavelet de Seleccin de
Umbral
Lgica borrosa adapta el anlisis wavelet del histograma de una imagen
Algoritmo Fuzzy-Wavelet. Esquema General (I)
Imagen
Clculo de
histograma
Descomp.
wavelet
de nivel N
Sistema de
Seleccin de
Regin nivel N
Sistema de
Seleccin de
Regin nivel 0
Clculo de
umbral
Umbral
h(n) = CA
0
(n)
CA
1
(n)
CA
3
(n)
CA
2
(n)
Clculo de
mnimos
significativos
Clculo de
regiones
Seleccin de
regiones
Sistema
Borroso de
Supervisin
Reconstruccin
a nivel l-1
{SHROI
l
} {IHROI
l
}
{HROI
r
l
}
p
i
l
Wavelet de Haar :
Simplicidad
Eficiencia
Algoritmo Fuzzy-Wavelet. Esquema General (y II)
Sistema de Seleccin de Regin
f
1
: {IHROI
l
} {SHROI
l
}
Selecciona la regin de histograma a
analizar en el nivel l-1
Descompone la regin de histograma
en regiones adyacentes
Sistema Borroso de Supervisin
f
2
: {HROI
l
}
Identifica condiciones de iluminacin y adapta descomposicin
wavelet para acotar la regin deseada
Sistema Borroso
Capacidad de interpolacin
Conocimiento heurstico
U
r
r
l l
} {HROI } {SHROI =
U
l
Z
1 i
i
l l
} {HROI } {IHROI
=
=
Nivel 3
Algoritmo Fuzzy-Wavelet. Sistema Borroso de Supervisin (I)
Contiene el conocimiento heurstico del problema
Problema: objetos de mayor intensidad en las imgenes
Iluminacin clara: Contraste Anchura Regin Int. NO UNION
Iluminacin oscura: Contraste Anchura Regin Int. UNION
Algoritmo Fuzzy-Wavelet. Sistema Borroso de Supervisin (y II)
Estimadores Iluminacin:
< NO UNION
> UNION
Salida: y:
SI (MaxInt ES Bajo)Y(anchoAnt ES Bajo) ENTONCES (y ES Bajo)
SI (MaxInt ES Alto)Y(anchoAnt ES Alto) ENTONCES (y ES Bajo)
SI (MaxInt ES Bajo)Y(anchoAnt ES Medio) ENTONCES (y ES Alto)
SI (MaxInt ES Bajo)Y(anchoAnt ES Alto) ENTONCES (y ES Medio)
Sistema Borroso
de Supervisin
y
MaxInt
anchoInt
max(CA
l
(n))
ancho
MaxInt:
anchoAnt:
{ }
i
l
HROI n
{ } ( )
1 -
l
Z
l
HROI
Algoritmo Fuzzy-Wavelet. Clculo de Umbral
Compromiso: max. pxeles del objeto y min. pxeles del fondo
NO UNION en l=0 UNION en l=0
1 -
0
Z
0
p
1 -
0
Z
0
p Umbral =
1 - g -
0
Z
0
p
0
Z
0
p
0
Z
0
1 - g -
0
Z
0
p ) 1 ( p + Umbral =
Insensible a transformaciones lineales del histograma
contemplados en el S.B.S. cambios de iluminacin global
Robustez
Algoritmo Fuzzy-Wavelet. Ejemplo (I)
CA
2
(n)
p
2
0
= 33 p
2
1
= 52
{IHROI
2
} = [33, 53]
{HROI
2
0
} = [33, 52]
{SHROI
2
} = [33, 52]
{IHROI
1
} = [67, 105]
CA
3
(n)
{SHROI
3
} = [16, 26]
{IHROI
2
} = [33, 53]
{IHROI
3
}=[0, 31] {HROI
3
0
} = [0, 16] anchoAnt =16/2
8-3
= 0.5
{HROI
3
1
} = [16, 26] MaxInt =24/2
8-3
= 0.75
y = 0.31 < No Unin
=0,5 = 0,7
p
3
0
= 0 p
3
1
= 16 p
3
2
= 26
Algoritmo Fuzzy-Wavelet. Ejemplo (y II)
CA
1
(n)
h(n)=CA
0
(n)
p
0
0
= 135 p
0
1
= 190 p
0
2
= 193 p
0
3
= 207
{ HROI
0
2
} = [193, 207] anchoInt = 0.011
{IHROI
0
}=[135, 207] { HROI
0
1
} = [190, 193] MaxInt = 0.765 anchoInt = 0.25
{ HROI
0
0
} = [135, 190] MaxInt = 0.765
y = 0.97>
UNION
y = 0.53>
UNION
{SHROI
0
}=[135, 207]
{IHROI
1
} = [67, 105]
{HROI
1
0
} = [67, 103]
{SHROI
1
} = [67, 103]
{IHROI
0
} = [135, 207]
p
1
0
= 67 p
1
1
= 103
N: Profundidad rbol wavelet: (N=3 4)
: Factor de clculo de umbral: (=0,6)
Mtodos Estadsticos
Mtodos Heursticos
: Umbral de decisin: (=0,5)
Mtodos Empricos
Algoritmo Fuzzy-Wavelet
[ ] 1 0,
[ ] 1 0,
Influencia de Parmetros
F-W
0
Z
0
1 - g -
0
Z
0
p ) 1 ( p +
Umbral =
Umbral = 157
Diseo de S.B.S. mediante patrones adquiridos de imgenes de
entrenamiento
Entrada : pares (Imagen
i
, {DSHROI
i
0
})
Salida: Sistema Borroso de Supervisin entrenado
Algoritmo Fuzzy-Wavelet con Aprendizaje Automtico (I)
Generador de Patrones Identificador Borroso
Extraccin de patrones
Filtrado de patrones
Generador
de Patrones
Identificador
Borroso
(maxInt, anchoAnt, -)
Funciones:
Extraccin de patrones: Deteccin de situaciones de decisin del S.B.S.
y Generar Patrones
Peso del error: nmero de pxeles mal clasificados en caso de error
Algoritmo Fuzzy-Wavelet con Aprendizaje Automtico.
Generador de Patrones
SI ENTONCES NO UNION
SI ENTONCES UNION
( ) } {
2
} {
0
l
Z
l
l
HROI
DSHROI
\
|
( ) } {
2
} {
0
l
Z
l
l
HROI
DSHROI
\
|
(maxInt, anchoAnt, +)
Peso
Peso
Extraccin de patrones: Deteccin de situaciones de decisin
del S.B.S.
Filtrado de patrones: Eliminar patrones repetidos y contradictorios
Criterio: Seleccionar patrn de mayor relevancia minimizando n
de pxeles mal clasificados
Identificador Borroso: ANFIS

Algoritmo Fuzzy-Wavelet con Aprendizaje Automtico (y II)
SI ENTONCES NO UNION
SI ENTONCES UNION
( ) } {
2
} {
0
l
Z
l
l
HROI
DSHROI
\
|
( ) } {
2
} {
0
l
Z
l
l
HROI
DSHROI
\
|
(maxInt, anchoAnt, +)
=
=
NP
1 i
2
i
) (e
NP
1
E ) anchoAnt , SBS(maxInt y e
i i i i
=
Aplicacin a Deteccin y Monitorizacin
Umbral para Deteccin. Global VS Local
Versin local:
Mayor sensibilidad
Umbral F-W local Umbral F-W global Imagen original
Otsu Min. Err. Clas. Ridler&Calvard
Umbral para Deteccin. Comparacin con Mtodos Clsicos
F-W Otsu
Min. Err Clas. Ridler&Calvard
F-W Otsu Min. Err. Clas. Ridler&Calvard
Umbral para Monitorizacin
Hiptesis :
Objeto est presente en la imagen
Objeto est presente en imgenes anteriores
Algoritmo Global. Pasos:
Eliminacin de vibraciones
Clculo de Umbral Grueso: UB
n
=FW
n
Clculo de Umbral Fino: UF
n
. Minimiza la diferencia
entre imgenes umbralizadas consecutivas
Implantado en la Herramienta de Monitorizacin de
Incendios Experimentales
Monitorizacin de Incendios Experimentales de Campo (I)
Imgenes de entrenamiento
{DSHROI
0
}=[135, 255] {DSHROI
0
}=[110, 255] {DSHROI
0
}=[115, 255] {DSHROI
0
}=[85, 255]
{DSHROI
0
}=[125, 255] {DSHROI
0
}=[85, 255] {DSHROI
0
}=[87, 255] {DSHROI
0
}=[80, 255]
Monitorizacin de Incendios Experimentales de Campo (y II)
1 S.B.S. por cada nivel
Validacin
Umbral = 82
Umbral = 97
Otras tcnicas de seleccin de umbral
Tcnicas multibanda (de imgenes en color o sensores diferentes)
Umbrales mltiples
Tcnicas de adaptacin a aplicaciones especficas
Introduccin
Pretende identificar la frontera de los objetos de inters
Fases:
Deteccin de bordes
Deteccin de frontera: unin de bordes
Deteccin de frontera: alto nivel
Deteccin de bordes
Basados en gradiente:
Basados en molde
Ajuste de bordes
Deteccin de borde basada en gradiente: 1 Derivada
Roberts:
Sobel:
sen cos
y
f
x
f
(
(
(
(
=
x
f
y
f
atan
2
2
|
\
|
+
|
|
\
|
=
x
f
y
f
magnitud
) 1 , 1 ( ) , ( + + =
y x f y x f
x
f
) , 1 ( ) 1 , ( y x f y x f
y
f
+ + =
) 1 , 1 ( ) , 1 ( 2 ) 1 , 1 (
) 1 , 1 ( ) , 1 ( 2 ) 1 , 1 (
+
+ + + + + + =
y x f y x f y x f
y x f y x f y x f
x
f
) 1 , 1 ( ) 1 , ( 2 ) 1 , 1 (
) 1 , 1 ( ) 1 , ( 2 ) 1 , 1 (
+
+ + + + + + =
y x f y x f y x f
y x f y x f y x f
y
f
Deteccin de borde basada en gradiente: 2 Derivada
Laplaciana:
L(x,y) = f(x,y) -1/4 [ f(x,y+1)+f(x,y-1)+f(x+1,y)+f(x-1,y) ]
Muy sensible al ruido
Laplaciana filtrada: (Marr y Hildreth, 1980)
G(x,y) gaussiana
2
2
2
2
2
} {
y
f
x
f
f
=
)} , ( * ) , ( {
2
y x G y x f
2
2
)
2 2
(
2
2
1
) , (

y x
e y x G
+
=
Deteccin de bordes basado en moldes
Cada mscara representa un borde en una direccin
Kirsh:
1 1 1 1 1 1 -1 1 1 -1 -1 1
1 -2 1 -1 -2 1 -1 -2 1 -1 -2 1
-1 -1 -1 -1 -1 1 -1 1 1 1 1 1
-1 -1 -1 1 -1 -1 1 1 -1 1 1 1
1 -2 1 1 -2 -1 1 -2 -1 1 -2 -1
1 1 1 1 1 1 1 1 -1 1 -1 -1
Borde si cumple:
valor resultante de aplicar template > valor
Deteccin de bordes: ajuste de borde
Consiste en plantear un modelo de borde y minimizar el error
cuadrtico medio entre modelo y la imagen
S(x,y)=
Trata de minimizar:
p
b+h
b
O
b si x cos(O)+y sin(O) < p
b+h si x cos(O)+y sin(O) > p
=
C y x
O p h b y x S y x f J
,
2
)) , , , , , ( ) , ( (
Deteccin de frontera: unin de bordes
Refinamiento de frontera
Seguimiento de contorno
Refinamiento de frontera
Mejora una estimacin de la frontera
Pasos:
deteccin de puntos de control (ngulos del objeto)
interpolacin mediante funcin de baja curvatura.
Si la funcin es mayor que una distancia de tolerancia a la recta de
mximo gradiente, se toma un nuevo punto de control para
interpolacin
Termina cuando la funcin es menor que una tolerancia de cercana
a la recta de mximo gradiente.
Seguimiento de contorno
Presupone frontera son curvas cerradas
Pasos:
Se comienza en un punto de la frontera
Se aaden pixeles vecinos en ambos sentidos en la direccin de la
frontera (normal al gradiente)
Para evitar varias fronteras debidas a bordes gruesos se eliminan los
pxeles en la direccin del gradiente
Conforme se recorre la frontera se genera una cadena
El algoritmo finaliza cuando se cierra la curva
Los candidatos a puntos iniciales de la frontera se seleccionan
segn diversos criterios de magnitud y direccin de gradiente,
template, etc...
Deteccin de frontera: alto nivel
Transformada de Hough
Tcnicas basadas en grafos
Transformada de Hough
Permite detectar y parametrizar una frontera
Transforma la imagen en un espacio parametrizado de igual
forma que la frontera deseada: rectas, crculos, frontera general
El valor de cada punto del espacio es direct. proporcional a la
posibilidad de dicha frontera
Se toman como fronteras los puntos mximos del espacio
Desventajas: Sensible al ruido, rigidez respecto al modelo de
frontera considerado
Tcnicas basadas en grafos
Convierte el problema en trazar grafos entre nodos (puntos de
control)
La frontera es el grafo de coste mnimo entre 2 nodos
Coste entre dos puntos del borde = f (distancia entre puntos, dif. en
direccin, fuerza del borde)
Introduccin
Mtodos de crecimiento de regiones
Procedimientos de separacin-unin
Mtodos de crecimiento de regiones
Procedimiento iterativo
Unir regiones adyacentes que cumplan criterios
Criterios:
nivel de intensidad
varianza de los niveles de la regin
textura de la regin
Algoritmo finaliza cuando dejan de haber regiones adyacentes
que cumplan criterios
Procedimientos de separacin-unin (Horowitz & Pavlidis, 1976)
Quad-tree de una imagen (organizacin jerrquica de una imagen)
Cada nodo contiene la intensidad media de un conjunto de pxeles
El nodo raiz contiene la intensidad media de la imagen
Las hojas del rbol contiene la intensidad de cada pixel
El nodo padre de 4 hojas es un nodo 2x2 y contiene su intensidad media
Si las 4 hojas tienen igual intensidad, no se ponen explcitamente en el
quad-tree
El algoritmo se aplica sobre un Quad-tree de profundidad superior
a pxeles. Dos pasos: unin y separacin.
Proceso de unin:
si las 4 hojas de cada nodo cumplen criterios de uniformidad, se unen
borrndose del quad-tree. El padre hereda las propiedades
si no cumplen criterios de uniformidad, no se unen
Proceso de separacin :
si las 4 hojas de cada nodo no cumplen criterios de uniformidad, se
dividen y vuelven a aparecer en el quad-tree
si cumplen criterios de uniformidad, siguen como estaban
Desventaja: alto coste computacional
Aplicacin prctica
Objetivo: deteccin y seguimiento
Dos fases:
Deteccin
Seguimiento
Control:
Posicionador
Cmara de infrarrojos
Sistema Adaptativo de Deteccin y Seguimiento Infrarrojo
Posicionador: 2 GDL Motores paso-a-paso
Datos sensores: 200 ms.
Otras tcnicas de control
Modelado y Control del Sistema Posicionador
z
z
K z G
C
1
) (
2
=
z
z
z G
BC
1

2
1
) (
+
1
2
1 2
<<
T
K K
Objetos mviles de intensidad elevada (algoritmo F-W local)
Procesamiento de imgenes Control de cmara de infrarrojos
Fase de Deteccin
Control anticipativo de la cmara de infrarrojos
Horizonte T
Control del posicionador
Prediccin polinmica: Horizonte 5T
Fase de Seguimiento
imagen
i
imagen
i+1
imagen
i+1
predicha
Ejemplos (I)
Ejemplos (y II)
Digital Image Processing, R.C. Gonzalez y P.E. Wintz, Addison-Wesley, 1987.
The Image Processing Handbook, John C. Russ, IEEE Press, 1995.
Computer Vision, Dana H. Ballard y C. M. Brown, Prentice Hall, 1982.
Pattern Recognition and Image Preprocessing, Sing-Tze Bow, Dekker, 1992.
Machine Vision, David Vernon, Prentice Hall, 1991.
Deteccin y Monitorizacin en Entornos Exteriores no Estructurados empleando
Imgenes de Infrarrojo. Aplicacin a los Incendios Forestales Tesis Doctoral J.
Ramiro Martinez de Dios, Depto de Ing. de Sistemas y Automatica
Bibliografa

Tecnicas de Segmentacion VI

Загружено:

Сведения о документе

Исходное описание:

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Tecnicas de Segmentacion VI

Загружено:

Авторское право:

Доступные форматы

VISIN POR COMPUTADOR

Вам также может понравиться