Segmentacion de Imagenes

Tema 4:Segmentacin de imgenes
Segmentacin de imgenes
La segmentacin de imgenes divide la imagen en sus partes constituyentes
hasta un nivel de subdivisin en el que se aslen las regiones u objetos de
inters.
Los algoritmos de segmentacin se basan en una de estas dos propiedades
bsicas de los valores del nivel de gris: discontinuidad o similitud entre los
niveles de gris de pxeles vecinos.
Discontinuidad. Se divide la imagen basndose en cambios bruscos de nivel de

gris:
Deteccin de puntos aislados
Deteccin de lneas
Deteccin de bordes
Similitud. Se divide la imagen basndose en la bsqueda de zonas que tengan

valores similares, conforme a unos criterios prefijados:
Crecimiento de regin
Umbralizacin
Deteccin de discontinuidades
La segunda derivada tiene

una respuesta ms fuerte
ante detalles como puntos
aislados o lneas, por lo que
se usa el Laplaciano para
detectar estos tipos de
discontinuidad.
Deteccin de discontinuidades Puntos aislados
Un punto aislado de una imagen tiene un tono de gris que difiere

significativamente de los tonos de gris de sus pxeles vecinos, es decir, de
los ocho pxeles de su entorno 33. Una mscara (Laplaciano) para
detectar un punto aislado es la siguiente:
Diremos que un pxel es un punto aislado si el resultado de aplicar la mscara

sobre el pxel (en valor absoluto) es mayor o igual que un cierto valor umbral T,
fijado por el decisor. Dicho valor depende de la aplicacin que estemos
realizando.
Deteccin de discontinuidades Puntos aislados
Ejemplo
Dependiendo del valor de T, obtenemos

4 puntos, si ( 0 < T <=9 )
1 punto, si ( 9 < T < =72)
Ningn punto, si ( T > 72 )
Deteccin de discontinuidades Lneas
Anlogamente, para la deteccin de lneas de un pxel de ancho, podemos

utilizar una mscara de Laplaciano.
Sin embargo, frecuentemente estamos interesados en detectar lneas

en una determinada direccin. Los pxeles que forman parte de una
lnea horizontal, vertical o diagonal, tendrn respuestas extremas ante
alguna de las mscaras siguientes:
Ejemplo, supongamos que estamos

interesados en las lneas de la imagen
con una orientacin de -45:
Valores absolutos de los resultados usando la mscara de deteccin de

lneas con 45 y posterior umbralizacin.
Demo on-line
Deteccin de discontinuidades Bordes
Borde de una imagen digital en escala de grises
Borde ideal: forman un camino Borde rampa: forman un conjunto de

de un pxel de ancho, en los que pxeles conexos en los que se produce,
se produce, perpendicularmente, en una determinada direccin, una
un cambio en el nivel de gris. variacin gradual en el nivel de gris.
Un punto se dice que es del borde si su derivada primera dos-dimensional es mayor

que un cierto valor umbral.
Deteccin de bordes en imgenes en escala de grises

La idea que subyace en la mayor parte de las tcnicas de deteccin de bordes
es el clculo de un operador local de derivacin ya que un pxel pertenece a un
borde si se produce un cambio brusco entre niveles de grises con sus vecinos.
Incidiremos en las propiedades de los operadores de derivacin que vimos

para realce de la imagen, para con la deteccin de bordes y estudiaremos otros
no vistos hasta ahora.
Un problema a tener en cuenta es que en la bsqueda de los cambios bruscos

para detectar los bordes, tambin se detectar, colateralmente, el ruido.
En general, podemos decir que los pasos fundamentales en la deteccin de

bordes son:
1. Realizar un suavizado de la imagen para reducir el ruido;
2. Detectar los posibles candidatos a ser puntos del borde;
3. Seleccionar, de entre los candidatos, aqullos que pertenecen realmente al
borde.
La primera derivada se puede usar para determinar la presencia de un

borde. Adems, el signo de la derivada segunda determina en qu parte
del borde se encuentra el pxel.
En general, no hay forma de conocer si los pxeles detectados como parte del
borde son correctos o no (intuitivamente hablando).
Es lo que se llama falso positivo (el detector devuelve un pxel cuando en

realidad no perteneca a ningn borde) y falso negativo (el detector no
devuelve un pxel cuando en realidad perteneca a un borde).
Una manera posible de evaluar si un detector de bordes es bueno o no sera

comparando el borde obtenido por el detector con el borde real de la imagen
(para lo que, evidentemente, necesitamos conocerlo de antemano).
Existen otras aproximaciones que se basan en la "coherencia local". En este

caso, no se compara con el borde real de la imagen, sino que se compara
cada pxel detectado con sus vecinos.
Un ejemplo de un evaluador que compara con el borde real de la imagen

viene dado por la siguiente funcin:
donde
ID es la cantidad de pxeles que devuelve el detector de bordes,

II es la cantidad de pxeles reales que pertenecen a un borde en la imagen,
d(i) es la distancia entre el pxel i-simo del detector y el pxel ms prximo
del verdadero borde de la imagen,
es una constante que se usa para reescalado . Lo normal es a=1/9.
Observemos que mientras ms lejano est el borde calculado al borde real,

ms prximo a cero es el valor de E y mientras ms cercano, ms prximo a 1.
Ejercicio: Dada la imagen correspondiente a la siguiente matriz, encontrar el

valor del evaluador anterior (llamado Figure of Merit), para los siguientes
bordes encontrados (a), b) y c)). Tmese =0.5 y la distancia city-block.
Deteccin de bordes en imgenes en escala de grises: Operadores gradiente
f f
Del vector gradiente f = , [
= Gx , G y ]
x y
obtenemos su mdulo | f | Gx + G y
Gy
y su direccin ( x, y ) = tan
1
Gx
que es perpendicular a la del borde.
Varias mscaras usadas para calcular el gradiente:
Prewitt es ms sencilla, pero Sobel evita mejor el

ruido.


En algunas ocasiones es conveniente realizar una umbralizacin de la imagen

gradiente obtenida.
Deteccin de bordes en imgenes en escala de grises: mscaras brjula.
Un ejemplo son las mscaras de Kirsch:
Por ejemplo, si el mayor valor es el resultante de aplicar la primera mscara sobre

un pxel implica que existe un borde en sentido vertical en el pxel donde se ha
aplicado la mscara. Para encontrar los bordes, se aplica cada una de las
mscaras en cada uno de los pxeles (se realiza una convolucin con cada
mscara). La respuesta del detector de bordes es el mximo de las respuestas de
cada una de las ocho mscaras y la direccin del gradiente sera *i/4 si Ki ha
sido la mscara responsable de dicho mximo.
Otro ejemplo: Robinson (ms sencillo de implementar, pues slo posee
coeficientes 0,1,2).
Deteccin de bordes en imgenes en escala de grises: Kirsch
Los operadores Sobel y Kirsch

producen menos errores que otros
modelos de gradiente digital en
imgenes con ruido. Normalmente,
el operador de Kirsch produce
mejores resultados que el de
Sobel. Sin embargo, ambos
operadores siguen siendo
demasiado sensibles a
determinada cantidad de ruido.
Deteccin de bordes en imgenes en escala de grises: Marr-Hildreth
Los pasos a seguir son:
1. Aplicar un filtro Gaussiano.
2. Calcular el Laplaciano de la imagen resultante.
3. Determinar los pxeles de paso por cero.


PASO 1
Realizar una convolucin a la imagen I con una matriz G que modeliza una funcin
gaussiana bidimensional:
donde representa la desviacin tpica.
Ejemplo de mscara 5x5

para el filtro gaussiano con
=1.0:
Recurdese que la convolucin de una imagen con una funcin de esta forma
emborrona la imagen con un grado de emborronamiento proporcional a (por tanto,
se produce una reduccin de ruido).

PASO 2
Calcular el Laplaciano de la imagen resultante. 2 2 f 2 f

f = 2 + 2
x y
0 0 1 0 0
Los pasos 1 y 2 se pueden aproximar 0 1 2 1 0
mediante la convolucin con la mscara:
Se trata del filtro Laplaciano del 1 2 16 2 1
Gaussiano (LoG). Existen otras

0 1 2 1 0
aproximaciones alternativas que 0
modelizan este filtro.
0 1 0 0
+ info

PASO 2
Determinar los pxeles de paso por cero.
Los pxeles del borde son aquellos tal que el Laplaciano de dos de sus
vecinos en posiciones opuestas tienen distinto signo (pxeles de paso por cero).
Normalmente se considera un valor umbral para el valor absoluto de la
diferencia numrica entre posiciones opuestas para considerar que un pxel
es de paso por cero.
Ejemplo:
Inconvenientes: efecto espagueti; implementacin del paso por cero.
Demo on-line
Deteccin de bordes en imgenes en escala de grises: Canny
Es el detector de bordes ms potente que existe actualmente.
Los pasos principales del algoritmo son:
1. Se realiza una convolucin con un filtro gaussiano. De esta forma la imagen

se suaviza (eliminacin de ruidos).
2. Se calcula el gradiente de la imagen suavizada, para determinar los pxeles
donde se produce mxima variacin (mayor mdulo del vector gradiente).
Tambin se determina la direccin del vector gradiente.
3. La matriz M correspondiente al mdulo del gradiente de la funcin gaussiana
tendr valores grandes donde la variacin de la intensidad sea grande. Se
eliminan (igualan a cero) aquellos pxeles que no son mximos locales en la
direccin del gradiente (que es perpendicular al borde).
4. Se realiza un proceso de doble umbralizacin para determinar los pxeles del
borde: se marcan los pxeles con valor por encima de un umbral T1; se
marcan aquellos pxeles conectados a los primeros cuyo valor est por
encima de un segundo umbral T2 (T2<T1). Esto eliminar falsos bordes o
bordes dobles, al mismo tiempo que permite un resultado conexo.
Algo ms de informacin on-line

Deteccin de bordes en imgenes en escala de grises: Canny
Un ejemplo de aplicacin de este mtodo es el siguiente:
El filtro Gaussiano se ha realizado para =4 y una mscara de tamao 25x25.

Los umbrales considerados han sido T1=0.1 y T2=0.04
Demo on-line
Un ejemplo comparando el detector de bordes de Sobel y de Canny es el siguiente:



En resumen:
(1) La deteccin de bordes usando operadores de aproximacin del gradiente

tiende a funcionar bien en los casos en que se involucran imgenes con
transiciones de intensidad claramente definidas y ruidos relativamente bajos.
(2) Los pasos por cero ofrecen una alternativa en los casos en que los bordes
estn emborronados o cuando est presente un alto contenido de ruido. El
paso por cero ofrece fiabilidad en las localizaciones de bordes y la propiedad
de suavizado de la convolucin gaussiana reduce los efectos del ruido. El
precio a pagar por estas ventajas es el incremento de complejidad de clculo y
tiempo.
(3) El algoritmo de Canny es el que ofrece mejores resultados para bordes de

imgenes con ruido gaussiano.
Para practicar: demo on-line

Enlazado de bordes
Las tcnicas anteriores detectan las discontinuidades de intensidad.
En la prctica, el conjunto de pxeles que se obtiene, rara vez

caracteriza completamente un borde debido al ruido, a una iluminacin
no uniforme, etc. Por ello, los algoritmos de deteccin de bordes,
normalmente se siguen de procedimientos de enlazado de los mismos.
Un procesamiento local consiste en analizar las caractersticas de los

vecinos en un entorno de cada uno de los pxeles de la imagen que se
han detectado como borde. Todos los puntos que son similares en algn
sentido predeterminado, se enlazan.
Enlazado de bordes
Las dos principales propiedades utilizadas en este tipo de anlisis para establecer
la similitud de los pxeles del borde son:
La intensidad de la respuesta del operador gradiente utilizado para producir el

pxel del borde. Un pxel del borde de coordenadas (x',y') que se encuentra en un
entorno de vecindad determinado de un pxel de coordenadas (x,y), tiene
intensidad similar si:
donde T es un valor umbral no negativo.
La direccin del gradiente. Un pxel del borde de coordenadas (x',y') que se

encuentra en un entrono de un pxel de coordenadas (x,y), tiene ngulo similar si:
donde A es un valor umbral no negativo.
Siendo la direccin del gradiente (que es

perpendicular a la del borde).
Enlazado de bordes
En el siguiente ejemplo se muestra la imagen original (a), la componente x e y
del gradiente usando el operador de Sobel ((b) y (c), respectivamente), La figura
(d) muestra el resultado de enlazar todos los puntos que tienen mdulo del
gradiente mayor que 25 y cuya direccin del gradiente no difiere ms de 15.
Deteccin de similitudes Crecimiento de regiones
Segmentacin de imgenes mediante crecimiento de regiones
Es un procedimiento que agrupa los pxeles o subregiones de la imagen en

regiones mayores basndose en un criterio prefijado. Normalmente se
empieza con unos puntos semillas para formar una determinada regin,
aadiendo aquellos pxeles vecinos que cumplan la propiedad especificada
(por ejemplo, que estn en un rango de nivel de gris determinado).
La propiedad considerada en el crecimiento de regiones debe tener en

cuenta la informacin sobre conectividad o adyacencia de la imagen.
Otro factor importante es la condicin de parada.

Ejemplo
Puntos semilla:
aqullos con valor
255.
Criterios para
aumentar una regin:
(1) diferencia en valor
absoluto con pxel
semilla menor que
65; (2) 8-adyacencia
con algn pxel de la
regin.
Divisin y fusin
Se subdivide la imagen inicialmente en un conjunto de regiones disjuntas,
dentro de las cuales, se volver a realizar una subdivisin o bien una fusin
entre ellas, dependiendo de si se verifican las condiciones prefijadas.
La estructura ms usada para la subdivisin es el rbol cuaternario. Los

pasos a seguir son:
1. Se define un test de homogeneidad
2. Se subdivide la imagen en los cuatro
cuadrantes disjuntos
3. Se calcula la medida de homogeneidad
para cada cuadrante
4. Se fusionan dos regiones si la
condicin de homogeneidad se verifica
para la unin de las mismas.
5. Si una regin no verifica la condicin,
se vuelve a subdividir en sus cuatro
cuadrantes y se repite el proceso hasta
que todas las regiones pasan el test de
homogeneidad.
Divisin y fusin
Ejemplo: en la siguiente imagen se quiere segmentar la zona de menor densidad
alrededor de la masa central.
El test de homogeneidad que se define consiste en que la media de los valores de la
regin sea menor que un cierto valor m y la desviacin tpica mayor que otro valor s.
Deteccin de similitudes Umbralizacin
Segmentacin de imgenes mediante umbralizacin
Un mtodo bsico para diferenciar un objeto del fondo de la imagen es
mediante una simple binarizacin.
A travs del histograma obtenemos una grfica donde se muestran el

nmero de pxeles por cada nivel de gris que aparece en la imagen.
Para binarizar la imagen, se deber elegir un valor adecuado (umbral)
dentro de los niveles de grises, de tal forma que el histograma forme un
valle en ese nivel. Todos los niveles de grises menores al umbral calculado
se convertirn en negro y todos los mayores en blanco.
Existen muchos mtodos de bsqueda del umbral. A continuacin

exponemos algunos de ellos.
Segmentacin de imgenes mediante histograma de la imagen

Mtodo del valor medio
Se usa el nivel medio de gris de la imagen como valor umbral.

Esta umbralizacin tendr xito si el objeto y el fondo ocupan
reas comparables en tamao en la imagen.
Paramos el proceso cuando la

diferencia entre los valores t0
obtenidos en bucles sucesivos es
menor que un cierto parmetro.

Mtodo del porcentaje de pixeles negros
Dado un histograma, y un porcentaje de pxeles negros deseados, se

determina el numero de pxeles negros multiplicando el porcentaje por el
nmero total de pxeles.
A continuacin se cuentan el nmero de pxeles de cada nivel del

histograma, empezando por el nivel cero, hasta llegar al nmero de pxeles
negros deseados.
El umbral ser el nivel de gris del histograma, en el que la cuenta llegue al

nmero de pxeles negros deseados.

Mtodo de los dos picos
Si el histograma muestra al menos dos picos, el valor umbral ms apropiado

suele ser (segn se ve en la prctica) el menor valor entre esos dos picos del
histograma.
Seleccionar el umbral automticamente consiste en:

Encontrar los dos picos ms altos.
Encontrar el menor valor entre ellos.
Encontrar el primer pico es fcil (aquel que tenga el mayor valor).
El segundo pico es ms difcil de encontrar, ya que el segundo valor ms

grande del histograma podra ser, por ejemplo, el que est ms a la derecha
del mayor, en vez de ser el segundo pico.

Mtodo de los dos picos
Una manera simple que suele funcionar para encontrar el segundo pico es
multiplicar los valores del histograma por el cuadrado de la distancia al primer
pico y tomar el mximo.
Donde k es el nivel de gris considerado, h(k) es el valor del histograma para

ese nivel y f es el nivel de gris donde se da el pico ms alto.
Esto da preferencia a aquellos picos que no estn cercanos al mximo pero

es muy sensible al ruido.
Si el ruido est normalmente distribuido, los picos del histograma pueden
aproximarse por curvas Gaussianas. Dichas curvas pueden ajustarse al
histograma, y las dos mayores son usadas como los picos ms altos, el
umbral debe estar comprendido entre ellos.
Umbralizacin adaptativa
A veces, una deficiente o desigual iluminacin en la imagen, hace que

no sea conveniente el uso de un umbral global para toda la imagen.
Una solucin puede ser subdividir la imagen y encontrar un umbral

apropiado para cada subimagen.
Como el umbral usado en cada pxel depende de la localizacin del
mismo, esta umbralizacin se llama adaptativa.
Para practicar:
Image processing lab software

Imgenes
Trabajo dirigido: mtodos avanzados en segmentacin de

imgenes en niveles de gris

Segmentacion de Imagenes

Загружено:

Сведения о документе

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

Segmentacion de Imagenes

Загружено:

Авторское право:

Доступные форматы

Tema 4:Segmentacin de imgenes

Discontinuidad. Se divide la imagen basndose en cambios bruscos de nivel de

Similitud. Se divide la imagen basndose en la bsqueda de zonas que tengan

La segunda derivada tiene

Un punto aislado de una imagen tiene un tono de gris que difiere

Diremos que un pxel es un punto aislado si el resultado de aplicar la mscara

Dependiendo del valor de T, obtenemos

Anlogamente, para la deteccin de lneas de un pxel de ancho, podemos

Sin embargo, frecuentemente estamos interesados en detectar lneas

Ejemplo, supongamos que estamos

Valores absolutos de los resultados usando la mscara de deteccin de

Borde de una imagen digital en escala de grises

Borde ideal: forman un camino Borde rampa: forman un conjunto de

Un punto se dice que es del borde si su derivada primera dos-dimensional es mayor

Deteccin de bordes en imgenes en escala de grises

Incidiremos en las propiedades de los operadores de derivacin que vimos

Un problema a tener en cuenta es que en la bsqueda de los cambios bruscos

En general, podemos decir que los pasos fundamentales en la deteccin de

Deteccin de bordes en imgenes en escala de grises

La primera derivada se puede usar para determinar la presencia de un

Deteccin de bordes en imgenes en escala de grises

Es lo que se llama falso positivo (el detector devuelve un pxel cuando en

Una manera posible de evaluar si un detector de bordes es bueno o no sera

Existen otras aproximaciones que se basan en la "coherencia local". En este

Deteccin de bordes en imgenes en escala de grises

Un ejemplo de un evaluador que compara con el borde real de la imagen

ID es la cantidad de pxeles que devuelve el detector de bordes,

Observemos que mientras ms lejano est el borde calculado al borde real,

Deteccin de bordes en imgenes en escala de grises

Ejercicio: Dada la imagen correspondiente a la siguiente matriz, encontrar el

Deteccin de bordes en imgenes en escala de grises: Operadores gradiente

Varias mscaras usadas para calcular el gradiente:

Prewitt es ms sencilla, pero Sobel evita mejor el

Deteccin de bordes en imgenes en escala de grises: Operadores gradiente

Deteccin de bordes en imgenes en escala de grises: Operadores gradiente

Deteccin de bordes en imgenes en escala de grises: Operadores gradiente

En algunas ocasiones es conveniente realizar una umbralizacin de la imagen

Por ejemplo, si el mayor valor es el resultante de aplicar la primera mscara sobre

Deteccin de bordes en imgenes en escala de grises: Kirsch

Los operadores Sobel y Kirsch

Deteccin de bordes en imgenes en escala de grises: Marr-Hildreth

Los pasos a seguir son:

1. Aplicar un filtro Gaussiano.

2. Calcular el Laplaciano de la imagen resultante.

3. Determinar los pxeles de paso por cero.

Deteccin de bordes en imgenes en escala de grises: Marr-Hildreth

donde representa la desviacin tpica.

Ejemplo de mscara 5x5

Deteccin de bordes en imgenes en escala de grises: Marr-Hildreth

Calcular el Laplaciano de la imagen resultante. 2 2 f 2 f

Deteccin de bordes en imgenes en escala de grises: Marr-Hildreth

Determinar los pxeles de paso por cero.

Inconvenientes: efecto espagueti; implementacin del paso por cero.

1. Se realiza una convolucin con un filtro gaussiano. De esta forma la imagen

Algo ms de informacin on-line

Deteccin de bordes en imgenes en escala de grises: Canny

Un ejemplo de aplicacin de este mtodo es el siguiente:

El filtro Gaussiano se ha realizado para =4 y una mscara de tamao 25x25.

Deteccin de bordes en imgenes en escala de grises

Un ejemplo comparando el detector de bordes de Sobel y de Canny es el siguiente:

Deteccin de bordes en imgenes en escala de grises

Deteccin de bordes en imgenes en escala de grises

(1) La deteccin de bordes usando operadores de aproximacin del gradiente

(3) El algoritmo de Canny es el que ofrece mejores resultados para bordes de