Post on 28-Sep-2018
Segmentacion de Imagenes Capilares Basado en
Colormap
JUAN CARLOS RIANO ROJAS.Departamento de Matematicas y Estadıstica.
Universidad Nacional de Colombia-Manizales.
CRISTIAN FELIPE OCAMPO BLANDON.Departamento de Ingenierıa Electrica, Electronica y Computacion.
Universidad Nacional de Colombia-Manizales.
FLAVIO AUGUSTO PRIETO ORTIZ.Departamento de Ingenierıa Mecatronica.
Universidad Nacional de Colombia-Bogota.
EDGAR NELSON SANCHEZ CAMPEROS.Cinvestav-IPN Mexico-Guadalajara.
Resumen—La segmentacion de imagenes en general escrucial en procesos de vision artificial para lograr re-conocimiento y una toma de decisiones efectivas. La seg-mentacion esta inmersa en aplicaciones industriales paraautomatizar procesos de clasificacion de rostros u objetos,soporte al diagnostico medico en la deteccion de tumorescancerıgenos de seno, deteccion de enfermedades vascularesdel tejido conectivo como lupus eritematoso, dermatomiositisy esclerodermias. En este trabajo se uso el colormap en lasegmentacion de imagenes capilares, caracterizadas por sercomplejas al contener elevados grados de ruido, opacidad ybaja iluminacion. El colormap es una herramienta simple ypotente para agrupar y clasificar efectivamente los coloresde la imagen, Empleando tecnicas de agrupamiento paraseparar colores relevantes, logrando solucionar las dificul-tades que poseen estas imagenes capilaroscopicas. La tecni-ca, fue evaluada sobre 40 imagenes capilares previamentesegmentadas manualmente por un experto arrojando undesempeno aproximado al 92 %. Ademas, se utilizaron 100imagenes a color no capilares obteniendo un desempenosimilar, mostrando que la segmentacion propuesta es generaly robusta, no limitada a un tipo de imagen en particular.
Palabras claves 1 Imagenes Capilares, Segmentacion de
Imagenes, colormap, Correccion de Contraste, Imagen
Indexada, Clusters.
1. INTRODUCCION
La segmentacion de imagenes en color es un proceso
esencial, crıtico y preliminar en una gran cantidad de
tareas basadas en vision tales como: reconocimiento
de objetos, seguimiento o rastreo visual, interaccion
computador - humano, vision basada en robotica [1].
Lo anterior es debido a que el color es una herramienta
visual efectiva y robusta para segmentar objetos,
diferenciandolos de otros. Como se reporto en [2], las
condiciones irregulares de iluminacion hacen que la
imagen pierda cualidades. Para solucionar este problema,
se propone una forma de modelar el color en el espacio
HSI usando B-spline, ya que el color de los objetos
cambia de intensidad, producto de las variaciones de
las camaras y la iluminacion. Sin embargo, se requieren
muchas variantes de iluminacion para poder hallar
alto desempeno, y en muchas aplicaciones, solo se
cuenta con pequena cantidad de imagenes contrastadas
con diferentes condiciones de iluminacion, como es el
caso de las imagenes capilaroscopicas de personas con
enfermedades vasculares [3], [4].
La segmentacion en el caso de aplicaciones medicas es
una etapa crucial; algunas aplicaciones que lo confirman
son: La segmentacion basada en contornos activos y
sus aplicaciones con imagenes medicas de resonancia
magnetica e imagenes tomograficas [5], [6], hasta meto-
dos relacionados con caracterısticas de color para detectar
y caracterizar lesiones de la piel [7], [8]. Un modelo muy
util para el estudio de imagenes es el colormap debido a
la reduccion de complejidad que presenta frente a otros
metodos previamente mencionados, para los cuales el
analisis es mas arduo. La estrategia del colormap ofrece
la ventaja de trabajar sobre la imagen sin alterar sus
caracterısticas de color, haciendo posible el aislamiento
del objeto de interes y conservando las caracterısticas
puras de la imagen en el espacio RGB [9], [10].
El documento se encuentra organizado de la siguiente
manera: En la seccion 2, se presenta el preproceso de las
imagenes capilaroscopicas, en la seccion 3 se describe la
segmentacion. En la seccion 4 se muestra la integracion
de los proceso de segmentacion, finalmente, las conclu-
siones se muestran en la seccion 5.
2. PREPROCESO
En la figura 1(a) se observo, como obtener inade-
cuadamente las imagenes dificulta el procesamiento de
la imagen porque o no hay informacion relevante o esta
informacion no es optima. Aunque no todas las imagenes
en este estudio fueron defectuosas, en la gran mayorıa
el comun denominador fue la falta de contraste entre la
zona capilar y su fondo, lo que origina que en etapas
posteriores se obtengan zonas ruidosas en el proceso de
segmentacion. Por esta razon, se aplicaron tres pasos fun-
damentales en el preproceso para reducir este problema,
figura 1(b)).
(a) Imagen errada (b) Imagen ideal
Figura 1. Imagenes capilares.
1. Suavizado de la imagen, eliminando altas frecuen-
cias empleando un filtro mediana.
2. Realce del contraste local: En [11] los autores
proponen un operador de realce, fue generalizado
de la siguiente forma para imagenes procesadas:
Un canal de la imagen RGB, I(x, y) con intervalo
de intensidades [Imin, Imax] se transformaron
a la matriz de intensidades U(x, y) con intervalo
[Umin, Umax] (figura 2).
T (I(x, y)) = U(x, y), en donde se debe cumplir,
si I(x, y) ≤ a, entonces
U(x, y) = (b−Umin)(I(x,y)−Imin)r
(a−Imin)r + Umin.
si I(x, y) ≥ a, entonces
U(x, y) = −(Umax−b)(I(x,y)−Imax)
r
(a−Imax)r + Umax.
(1)
Figura 2. Operador para el realce de contraste
Tomando a = mediana(I) y b = media(U) por
ser valores de tendencia central. En la figura 3, se
aprecia el realce aplicado.
(a) imagen original.
(b) imagen realzada.
Figura 3. Imagen original Vs Imagen realzada
3. Aplicando WPCA (weighted principal component
analysis) tomado de la literatura [12] para conocer
los canales mas contrastados, de los siguientes
espacios de color empleados en MatLab: RGB,
HSV, YIQ, YCbCr, LAB, XYZ, UVL, CMYK. Se
concluye que los canales mas contrastados fueron:
a) El canal M de CMY, figura 4(b).
b) El canal a de Lab, figura 4(c).
c) El canal Cr de YCbCr, figura 4(d).
(a) Imagen original.
(b) Canal M del espacio CMY.
(c) Canal a del espacio Lab.
(d) Canal Cr del espacio YCbCr.
Figura 4. Canales relevantes que aumentan el contraste de las imagenes.
3. SEGMENTACION
3-A. Segmentacion empleando el Laplaciano
Se calculo el Laplaciano con un factor nuevo, para los
canales mas contrastados:
L(x, y) =∂2I(x, y)
∂x2+
∂2I(x, y)
∂y2−
1
4
∂2I(x, y)
∂x∂y−
1
4
∂2I(x, y)
∂y∂x.
(2)
En el proceso de segmentacion, se combinaron los
siguientes pasos:
1. Aplicar Laplaciano a M , a y Cr, figura 5(a), figura
5(b) y figura 5(c).
2. Eliminacion de ruido, figura 5(c).
3. Definir las semillas de zonas relevantes y realizar el
crecimiento de region, adjuntando pıxeles vecinos,
sı son de intensidades homogeneas.
La segmentacion fue evaluada usando 20 imagenes
capilares con aumentos 6X y 8X, segmentadas manual-
mente por dermatologos, siendo obtenidas de personas
que padecen Lupus eritematoso. Los resultados se presen-
tan en el Cuadro I. Se puede notar que las imagenes con
aumento 8X tienen un porcentaje de verdadera aceptacion
y falso rechazo alto, lo que tiene como consecuencia que
la zona de crecimiento sea mas pequena que la region
segmentada manualmente.
(a) Eliminacion de ruido delLaplaciano en el canal M.
(b) Eliminacion de ruido delLaplaciano en el canal a.
(c) Eliminacion de ruido delLaplaciano en el canal Cr.
(d) Imagen segmentada.
Figura 5. Segmentacion de imagenes capilares.
Cuadro IEFICIENCIA DE LA SEGMENTACION MANUAL DE IMAGENES
CAPILARES DE PERSONAS CON LUPUS ERITEMATOSO.
Magni- Verdadera aceptacion Verdadero rechazo Falsa aceptacion Falso rechazo
ficacion %Umbral %Sin %Umbral %Sin %Umbral %Sin %Umbral %Sin
umbral umbral umbral umbral
6X 88,99 78,96 98,74 99,28 1,26 0,72 11,01 21,04
8X 91,61 82,09 98,65 99,37 1,35 0,63 8,39 17,91
El Cuadro II presenta la evaluacion de la segmentacion
de imagenes capilares de personas con Lupus eritem-
atoso. Se observa que al realizar la segmentacion de las
imagenes con magnificacion 6X, estas presentan mayor
porcentaje de verdadera aceptacion al aplicar crecimiento
de regiones. Por lo cual se considera la tecnica de
crecimiento de regiones como segmentador adecuado.
Cuadro IIEFICIENCIA DEL SEGMENTADOR EN IMAGENES CAPILARES DE
PERSONAS CON LUPUS ERITEMATOSO.
Magni- Verdadera aceptacion Verdadero rechazo Falsa aceptacion Falso rechazo
ficacion %Umbral %Sin %Umbral %Sin %Umbral %Sin %Umbral %Sin
umbral umbral umbral umbral
6X 92,26 88,55 93,26 94,95 6,74 5,05 7,74 11,45
8X 89,38 86,92 95,85 96,82 4,15 3,18 10,62 13,08
3-A1. Tipos de Realce Aplicados: Como alterna-
tiva de contraste se aplicaron los siguientes metodos,
partiendo de la imagen construida con los canales mas
relevantes:
Transformacion del espacio de color
Ajuste de Intensidades
Ecualizacion
(a) Imagen resaltada con transformacion deespacio de color y su colormap.
(b) Imagen resaltada por Ajuste y su col-ormap.
(c) Imagen resaltada por Ecualizacion y sucolormap.
Figura 6. Imagenes Resaltadas
3-B. Segmentacion por Color
Teniendo en cuenta que toda la gama de colores que
presenta una imagen RGB corresponde al colormap, es
adecuado aplicar el concepto a una imagen con suficiente
contraste sobre el objeto de interes. Para ello, se describe
a continuacion el metodo propuesto en este artıculo.
3-B1. Descripcion del Metodo por Colormap: El
colormap es una matriz CN×3, donde las filas representan
la magnitud de cada color existente en la imagen RGB
y N es la cantidad de colores estimados. Para extraer el
colormap es necesario recorrer la imagen con un valor
de paso adecuado y discretizar la imagen para lograr la
estimacion de los colores presentes, dado que si dicho
paso es igual a uno Stp = 1, se tendrıa un colormap
tan grande como el producto de las dimensiones de la
imagen, siendo ineficiente en terminos computacionales.
Para la estimacion de los colores relevantes se debe tener
en cuenta, que la zona a segmentar esta contrastada y que
al efectuar la estimacion de los colores, gran parte de los
puntos discretizados pertenezcan a la zona a segmentar.
Figura 7. Imagen original indexada.
Aunque la imagen original, figura 4(a), posee zonas
donde se aprecian debilmente algunos capilares, en otras
zonas estos son casi invisibles, el realce de contraste es
necesario.
3-B2. Proceso de Segmentacion: Luego de realizar
la correccion de contraste, la zona de interes presenta
colores mas puros resaltando los capilares y para nuestro
caso simplificando la tarea.
Despues de extraer el colormap, se obtiene una repre-
sentacion casi exacta de la imagen original asociando cada
intensidad de pıxel con el color mas similar del colormap,
es decir, se establece un arreglo que relacione cada pıxel
de la imagen original RGB con un ındice del colormap, la
imagen resultante se denomina imagen indexada, figura
7.
Siendo esto posible, surge el problema de reordenar los
colores presentes en el colormap, este reordenamiento se
hace posible de dos formas:
Condicionando el intervalo de existencia para cada
color y extrayendo los diferentes colores.
Mediante metodos conglomerados que definen las
agrupaciones especıficas de cada color.
Finalmente, luego de ordenar los colores por grupos,
es necesario reducir aquellos que no pertenezcan al
objeto de interes y sustituirlos por otro dejando solo
tonos que definan el capilar, es decir los colores magenta
y azul para la imagen 8(a). A continuacion se muestran
las imagenes indexadas, figuras 8(a), 8(b) y 8(c), de las
imagenes previamente contrastadas con su respectivo
colormap reorganizado.
(a) Imagen indexada a partir de la Resaltaday su colormap.
(b) Imagen indexada a partir de la Ajustada ysu colormap.
(c) Imagen Indexada a partir de la Ecualizaday su colormap.
Figura 8. Imagenes Indexadas.
Aplicando segmentacion basada en colormap a todas
las imagenes previamente contrastadas y eliminando en
cada una de ellas los colores que no corresponden al
capilar, sustituyendolos por color blanco para generar el
fondo de la imagen, se obtiene la figura 9.
Para evaluar el desempeno de las estrategias propuestas
se emplearon 21 imagenes capilares segmentadas man-
(a)
(b)
(c)
Figura 9. Imagenes Segmentadas.
ualmente por un experto. Se pudo observar el Cuadro
3-B2 que a pesar de no alcanzar el 100 %, el desempeno
podrıa mejorarse usando estrategias presentadas en [13],
siempre y cuando se tenga una gran cantidad de imagenes
de los mismos individuos bajo varias condiciones de ilu-
minacion y tipos de sensores equivalentes. En el Cuadro
3-B2 se observa que la estrategia por colormap presento el
mejor desempeno. Pero tambien genero una cantidad
considerable de falsos positivos.
Cuadro IIIDESEMPENO DE LAS ESTRATEGIAS DE SEGMENTACION.
Estrategia % Verdaderos % Falsos % FalsosPositivos Negativos Positivos
colormap 91.7 8 124
Pseudocolor 89.37 10.2 74.8
Laplaciano 79.9 20 93.9
3-C. Segmentacion por Clusters
Se realizo un analisis de conglomerados sobre las inten-
sidades de gris, indicando que el numero de clases mıni-
mo requerido para el agrupamiento de estas imagenes fue
k = 5 conglomerados. Para extraer el grupo perteneciente
a los capilares es necesario medir su intensidad y obtener
el agrupamiento con la intensidad mas baja, figura 10.
4. INTEGRACION DE LOS TRES PROCESOS DE
SEGMENTACION
Con el objeto de confirmar la zona capilar y reducir
las debilidades presentes, se integraron los metodos de
segmentacion de la siguiente forma, partiendo de la
imagen mejorada, figura 11.
1. Aplicar segmentacion empleando Laplaciano, luego
calcular los centros de gravedad de posibles zonas
capilares, figura 11(b).
(a) 2do Canal de la imagen
mejorada.
(b) Imagen segmentada porClusters.
Figura 10. Segmentacion de imagenes capilares usando Kmeans.
2. Aplicar segmentacion por Kmeans, luego calcular
los centros de gravedad de posibles zonas capilares,
figura 11(c).
3. De los conjuntos previamente hallados definir los
centros de gravedad comunes, luego buscar el color
correspondiente a cada centro de gravedad, deter-
minar cual es el color mas frecuente, figura 11(d).
4. Aplicar segmentacion por colormap empleando co-
mo referencia a segmentar los colores anteriormente
obtenidos.
5. Sı la segmentacion alcanzada en el paso anterior
esta por debajo de un porcentaje del area, esta es
la segmentacion final. De lo contrario, que tome la
imagen segmentada por cluster como segmentacion
final.
(a) Imagen Original.
(b) Segmentacion medianteLaplaciano.
(c) Segmentacion medianteKmeans.
(d) Segmentacion Final.
Figura 11. Segmentacion integrada.
5. CONCLUSIONES
1. Aunque el bajo contraste se involucro frecuente-
mente en la zona capilar, las diferentes estrategias
de contraste usadas mejoraron las imagenes, permi-
tiendo la utilidad de multiples imagenes erronea-
mente adquiridas y alcanzando una segmentacion
optima.
2. Emplear metodos de reduccion ponderado para es-
coger los canales mas contrastados, fue una her-
ramienta util por la reduccion para extraer los
canales relevantes.
3. La eficiencia del metodo propuesto depende de la
adecuada ubicacion de la semilla, de lo contrario
genera ruido. Por esta razon se realizo la integracion
de varios segmentadores buscando reducir el riesgo
o evitando ubicar malas semillas. Como proceso
anexo se construyo un modulo semiautomatico que
permite al especialista ubicar las semillas.
4. El colormap resulta ser una herramienta simple, y
versatil para segmentar imagenes a color.
REFERENCIAS
[1] H.D. Cheng, X.H. Jiang, Y. Sun and J. Wang, Color imagesegmentation: advances and prospects, Pattern recognition 34(2001) 2259-2281.
[2] C. Serrano, B. Acha, I. Fondon. Calibracion de imagenes en coloren condiciones de iluminacion no controladas.
[3] F. Jaramillo, J. Brieva, A. Sanchez, Capilaroscopıa. Observacionesen 65 pacientes con desordenes del tejido conectivo, Acta Med.Col. 13 (1988) 129-138.
[4] Rafael Arango Velez, Felipe Jaramillo Ayerve, Juan Carlos RianoRojas, Flavio Augusto Prieto Ortiz, caracterizacion de Patrones delTejido Ungueal en Personas sin Enfermedad Evidente medianteTecnicas de Inteligencia Artificial. Prueba Piloto, Biosalud, 6(2007) 85-95.
[5] M. Wei, Y. Zhou and M. Wan, A fast snake model based on non-linear diffusion for medical images segmentation, ComputerizedMedical imaging and Graphics, 28 109-117 (2003).
[6] E. Claridge, S. Cotton, P. Hall and M. Moncrieff, From colourto tissue histology: Physics-based interpretation of images ofpigmented skin lesions, 7 4 489-502 December (2003).
[7] J. Angulo, J. Serra, Segmentacion de Imagenes en color utilizandohistogramas Bi variables en espacios de colores polares Lumi-nancia, saturacion, matiz. Computacion y sistemas, Vol. 8, No 4,(2005).
[8] W.J. Torres, R.J. Bello, Procesamiento de imagenes a color uti-lizando morfologıa matematica.
[9] R. Rodrıguez, P.J. Castillo,V, Guerra, A. Suarez, E. Izquierdo, Dostecnicas robustas para la segmentacion de imagenes biomedicas.Computacion y sistemas, Vol. 9, No 4, (2006).
[10] J.J Baez R, M.L. Guerrero, J. Conde, A Padilla, G.U. Serrano,Segmentacion de imagenes de Color. Revista mexicana de fısica50,(2004)
[11] Thomas Walter, Jean-Claude Klein, Automatic Detection of Mi-croaneurysms in Color Fundus Images of the Human Retina byMeans of the Bounding Box Closing, Medical data Analysis(springer 2002 Berlin) pp. 210-220.
[12] Luis Sanchez, Fernando Martınez , German Castellanos and Au-gusto Salazar, Feature Extraction of Weighted Data for ImplicitVariable Selection, Computer Analysis of Images and Patterns,(springer 2007 Berlin) pp. 840-847.
[13] C. Serrano, B. Acha, I. Fondon. Calibracion de Imagenes en Coloren condiciones de ilumincacion no controladas.