Segmentación de Imagen

2

IntroducciónSegmentación significa subdividir una imagen en sus regiones u objetos constituyentesLa segmentación debe detenerse cuando los objetos de interés en una aplicación han sido aislados.

3

Características PrincipalesLos algoritmos de segmentación generalmentese basan en una de dos propiedades básicas delos valores de intensidad

discontinuidad : particionar una imagen en base a los cambios abruptos en la intensidad (tales como los bordes)similitud: particionar una imagen en regiones que sonsimilares de acuerdo a un conjunto de criterios predefinidos.

4

Detección de DiscontinuidadesDetección de los tres tipos básicos dediscontinuidades de nivel de gris

puntos , líneas , bordesLa forma común es correr una máscara através de la imagen

5

Detección de Puntoun punto se detecta en la posición en la que estácentrada la máscara si

|R| ≥ Tdonde

T es un umbral no negativo R es la suma de productos de los coeficientes con los niveles de gris contenidos en la región en la que sesuperpone la máscara.

6

Detección de PuntoNotar que la máscara es la misma como lamáscara de la Operación Laplaciano (en el capítulo 3)La únicas diferencias que son consideradasde interés son aquellas que son suficiente mente grandes (como se determina por T) para ser consideradas puntos aislados.

|R| ≥ T

7

FIGURA 10.2• Máscara

para la detección de punto

(b) Imagen Rayos X de una aleta de turbina con porosidad

(c) Resultado de la detección de punto

(d) Resultado de utilizar la ecuación (10.1_2)

Ejemplo

8

Detección de Línea

La mascara horizontal resultará con máxima respuesta cuando una línea pasa a través de la fila central de lamáscara con un fondo constante.La idea similar se muestra con las otras máscaras.nota: la dirección preferida de cada máscara es pesadacon un coeficiente mas grande (por ejemplo, 2) que las otras direcciones posibles.

9

Detección de LíneaAplicando todas las máscaras sobre la imagenSean R1, R2, R3, R4 las respuestas de las máscaras horizontal, +45 grados, vertical y -45 grados, respectivamente.si, en un cierto punto en la imagen

|Ri| > |Rj|,para todo j≠i, este punto se dice que está mas asociado con una línea en la dirección de la máscara i.

10

Detección de LíneaAlternativamente, si estamos interesados endetectar todas las líneas en una imagen en una dirección definida por una determinada máscara,simplemente corremos la máscara a través de laimagen y umbralizamos el valor absoluto delresultado. Los puntos que superan el umbral son las respuestas mas fuertes, lo que, para las líneas de un pixel de espesor, corresponden mejor a ladirección definida por la máscara.

11

EjemploFigura 10.4Ilustración de dirección

de línea

(a) Máscara de conexión binaria

(b) Valor absoluto del resultado después de procesar con un detector de línea -45°

(c) Resultado de umbralizar la imagen (b)

12

Detección de BordeEs la forma mas común de detectar las discontinuidades significativas de niveles de gris.veremos las formas para implementar

derivada de primer-orden (operador Gradiente)derivada de secondo-orden (operador Laplaciano)

Aquí, trataremos solamente sus propiedades parala detección de bordes.Ya hemos introducido ambas derivadas en elcapítulo 3

13

Formulación Basicaun borde es un conjunto de pixeles conectados que están ubicados sobre elcontorno entre dos regiones.un borde es un concepto “local” mientrasun contorno de región, debido a la forma en que está definido, es una idea masglobal.

14

Bordes Ideal y Rampa

because of optics, sampling, image acquisition imperfection

Modelo de un borde digital rampaModelo de un borde digital ideal

Perfil del nivel de gris de una línea horizontal a través de la imagen

Perfil del nivel de gris de una línea horizontal a través de la imagen

Debido a la óptica, muestreo, imperfección de la adquisición de la imagen

FIGURA 10.5

(a) Modelo de una imagen digital ideal.

(b) Modelo de un borde en rampa. La pendiente de la rampa es proporcional al grado de borroneado en el borde

15

Borde gruesoLa pendiente de la rampa es inversamente proporcionalal grado de borroneado del borde.Ya no tenemos un camino delgado (un pixel grueso).En cambio, un punto de borde ahora es cualquier punto contenido en la rampa, y un borde luego debe ser unconjunto de estos puntos que están conectados. El espesor está determinado por la longitud de larampa.La longitud está determinada por la pendiente, la que está determinada por el grado de borroneado.LosLos bordes borrosos tiendenbordes borrosos tienden a sera ser gruesosgruesos yy loslos bordes bordes agudos tiendenagudos tienden serser delgadosdelgados

16

Derivadas de primer y segundo orden

Los signos de las derivadas pueden invertirse para unborde con transiciones desde claro a oscuro

Perfil de nivel de gris

Derivada Primera

Derivada Segunda

FIGURA 10.6

(a) Dos regiones separadas por un borde vertical.

(b) Detalle de cerca del borde, mostrando el perfil de nivel de gris, y las derivadas primera y segunda del perfil.

17

Derivadas Segundasproducen 2 valores para todos los bordesen la imagen (una característica indeseable)Una línea recta imaginaria uniendo los valores extremos positivo de la derivada segunda cruzará por cero cerca del punto medio del borde. (propiedad cruce porpropiedad cruce porcerocero)

18

Cruce por cerobastante útil para localican los centros debordes gruesosTrataremos esto nuevamenta mas adelante

19

Imágenes con RuidoPrimer columna: imágenes yperfiles de nivel de gris de unborde rampa corrupto por ruido Gaussiano de media 0 y σ = 0.0, 0.1, 1.0 y 10.0, respectivamente. Segunda columna: imágenes derivada primera y perfiles deniveles de gris. Tercera columna : imágenes derivada segunda y perfilesde niveles de gris.

20

Recordarel ruido pequeño puede tener un impacto importante sobre las dos derivadas usadas en ladetección de bordes en las imágenesel suavizado (borroneado) de la imagen debeser una consideración importante antes deutilizar las derivadas en las aplicaciones dondeel ruido esté probobablemente presente.

21

Punto de bordepara determinar un punto como un punto deborde

la transición en el nivel de gris asociado con el punto tiene que se significativamente mayor que el fondo en ese punto.utilizar un umbral para determinar donde un valor es“significativo” o no.la derivada de primer orden en dos dimensiones debeser mayor que un umbral especificado.

22

Problema de segmentaciónpara ensamblar segmentos de borde enbordes mas largos.veremos esto mas adelante.

23

Operador GradienteLas derivadas primeras se implementan utilizando la magnitudmagnitud deldel gradientegradiente.

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

∂∂∂∂

=⎥⎦

⎤⎢⎣

⎡=∇

yfxf

GG

y

xf

21

22

2122 ][)f(

⎥⎥⎦

⎤

⎢⎢⎣

⎡⎟⎟⎠

⎞⎜⎜⎝

⎛∂∂

+⎟⎠⎞

⎜⎝⎛∂∂

=

+=∇=∇

yf

xf

GGmagf yx

la magnitud se hace no linealyx GGf +≈∇

Aproximación común

24

Dirección del GradienteSea α (x,y) que representa el ángulo dirección del vector ∇f en (x,y)

α (x,y) = tan-1(Gy/Gx)La dirección de un borde en (x,y) esperpendicular a la dirección del vectorgradiente en ese punto

25

Máscaras Gradiente

26

Bordes diagonales con máscarasde Prewitt y Sobel

Las máscaras deSobel tienen una significativa superioridad en lasupresión de ruido locual es una característica importante cuandose trata conderivadas.

27

EjemploFIGURA 10.10

(a) Imagen original

(b) componente |Gx| del gradiente en la dirección x.

(c) Componente |Gy| en la dirección y.

(d) Gradiente de laimagen, |Gx|+|Gy|

28

EjemploFIGURA 10.11

La misma secuencia de la figura 10.10, pero con la imagen original suavizada con un filtro promedio 5x5

29

Ejemplo

FIGURA 10.12

Detección de borde diagonal.

(a) Resultado utilizando la máscara de la figura 10.9©.

(b) Resultado utilizando la máscara de la figura 10.9(d). La entrada en ambos casos fue la figura 10.11(a)

30

Laplaciano

2

2

2

22 ),(),(

yyxf

xyxff

∂∂

+∂

∂=∇(operador lineal)

Operador Laplaciano

)],(4)1,()1,(),1(),1([2

yxfyxfyxfyxfyxff−−+++

−++=∇

FIGURA 10.13

Máscara Laplacianoutilizado para implementar las ecuaciones (10.1-14) y (10.1-15), respectivamente

31

Laplaciana de GaussianaLaplaciana combinada con suavizado comouna forma de encontrar los bordes por medio del cruce por cero.

2

2

2)( σr

erh−

−=

donde r2 = x2+y2, yσ Es la desviación estándar

2

2

24

222 )( σ

σσ r

errh−

⎥⎦

⎤⎢⎣

⎡ −−=∇

32

Sombrero Mejicano

los coeficiente deben sumar cero

Término central positivo rodeado por una región negativa adyacente (una función de distancia)Región exterior cero

FIGURA 10.14

Laplacioana de una Gaussiana(LoG).

(a) Gráfico 3-D.

(b) Imagen (negro es negativo, gris es plano cero, y blanco es positivo).

(c) Sección de corte mostrando el cruce por cero.

(d) Máscara aproximación 5x5 de la forma (a)

33

Operación Linealla derivada segunda es una operaciónlinealpor lo tanto, ∇2f es lo mismo que convolucionar la imagen con primero conuna función de suavizado Gaussiana yluego calcular el Laplaciano del resultado

34

Ejemplo

a). Imagen original b). Gradiente deSobelc). Función desuavizado espacial Gaussianad). Máscara Laplacianae). LoGf). LoG umbralizadog). Cruce por cero

35

Cruce por cero & LoGobtener el cruce por cero desde laimagen LoG se umbraliza la imagen LoG definiendo todos sus valores positivos como blanco ytodos los valores como negro.el cruce por cero ocurre entre los valores positivos y negativos de la imagen LoG umbralizada.

36

Cruce por cero vs. GradienteAtractivo

El cruce por cero produce bordes mas delgadosReducción de ruido

InconvenientesEl cruce por cero crea lazos cerrados. (efecto spaguetti)Cálculo sofisticado.

El Gradiente se usa con mas frecuencia.

37

Unión de Borde y Detección deContorno

Los algoritmos de detección de borde sonseguidos por procedimientos de unión para ensamblar pixeles de borde enbordes significativos.Propuestas básicas

Procesamiento localProcesamiento global por medio de laTransformada de Hough

38

Procesamiento Localanalizar las características de los pixelesen una pequeña vecindad (por ejemplo, 3x3, 5x5) alrededor de todos los píxeles (x,y) en una imagen.todos los puntos que son similares deacuerdo a un conjunto de criterios predefinidos se unen, formando un bordede pixeles que compartes esos criterios.

39

Criterios1. La magnitud de la respuesta del

operador gradiete usado para producir cada pixel

un pixel con coordenadas (x0,y0) en una vecindad predefinida de (x,y) es similar enmagnitud al pixel en (x,y) si

|∇f(x,y) - ∇f (x0,y0) | ≤ E

40

Criterios2. la dirección del vector gradiente

un pixel de borde con coordenadas (x0,y0) en una vecindad predefinida de (x,y) essimilar en ángulo al pixel en (x,y) si

|α(x,y) - α (x0,y0) | < A

41

CriteriosUn punto en una vecindad predefinida de (x,y) se une al pixel en (x,y) si ambosambos criterioscriterios dedemagnitudmagnitud yy direccidireccióónn sonson satisfechossatisfechos.el proceso es repetido en todas las posicionesen la imagendebe llevarse un registrosimplemente asignando un nivel de gris diferente a cada conjunto de pixeles de borde unidos.

42

EjemploEncontrar rectángulos cuyos tamaños sean posibles candidatos para laplaca de patente

• usar de operadores de Sobelhorizontal y vertical

• condiciones de unión:valor gradiente > 25dirección gradiente difiere < 15°

• eliminar segmentos cortos aislados

FIGURA 10.16

(a) Imagen de entrada.

(b) Componente Gydel gradiente.

(c) Componente Gxdel gradiente.

(d) Resultado de unir los bordes

43

Transformada de Hough (Línea)

yi =axi + b b = - axi + yi

Plano ab o espacio de parámetrosPlano xy

todos los puntos (xi ,yi) contenidos en la misma línea deben tener líneas en el espacio de parámetros que se interceptan en (a’,b’)

FIGURA 10.17

(a) Plano xy.

(b) Espacio de parámetros

44

Celdas acumuladores(amax, amin) y (bmax, bmin) son los rangos esperados de valors dependiente ordenada al origen.todas son inicializados a cerosi una elección de ap resulta enuna bq luego hacemos A(p,q) = A(p,q)+1Al final del procedimiento, el valor Q en A(i,j) correspondea Q pointos en el plano xy que están ubicados sobre la línea y = aix+bj

b = - axi + yi

45

plano ρθ

el problema de usar la ecuación y = ax + b es que el valor de a es infinito para una línea vertical.Para evitar este problema, usar la ecuación x cos θ+ y sin θ = ρpara represenar una línea.una línea vertical tiene θ = 90° con ρ igual a la intercepcióy ypositiva o θ = -90° con ρ igual a la intercepción y negativa.

x cos θ+ y sin θ= ρ

Plano ρθ

θ = ±90° medido con respectoal eje x

FIGURA 10.19

(a) Representación normal de una línea.

(b) Subdivisión del plano ρΘ en celdas

46

D2 of range ±=ρdonde D es la distancia entre las esquinas en laimagen

rango de

FIGURA 10.20

Ilustración de la transformada de Hough

47

Transformada de Hough generalizada

puede utilizarse para cualquier función de la forma

g(v,c) = 0v es un vector de coordenadasc es un vector de coeficientes

48

Transformada de Hough (Circulos)

ecuación: (x-c1)2 + (y-c2)2 = c3

2

tres parámetros (c1, c2, c3) celdas en forma de cuboacumuladores de la forma A(i, j, k)incrementar c1 and c2 , rersolver para el c3 que satisface laq ecuaciónUctualizar el acumulador correspondiente a lacelda asociada con la terna (c1, c2, c3)

49

Unión de Bordes basado en laTransformada de Hough

1. Calcular el gradiente de una imagen yumbralizarlo para obtener una imagen binaria.

2. Especificar las subdivisiones en el plano ρθ.3. Examinar las cuentas de las celdas

acumuladoras para las concentraciones mas grandes de pixeles.

4. Examinar la relación (principalmente por continuidad) entre los píxeles en esas celdas.

50

ContinuidadBasado en el cálculo de la distancia entre pixeles desconectados identificados durante elpasaje del conjunto de pixeles correspondientes a una celda acumuladora determinada.una separación en cualquier punto es significativa si la distancia entre ese punto y su vecino mas próximo excede un cierto umbral.

51

Criterio de unión:1). los pixeles pertenecen a uno de las tres celdas acumuladoras conmayor cuenta2). las separaciones no fueron mayores que 5 pixels

FIGURA 10.21(a) Imagen

infrarroja

(b) Imagen gradiente umbralizada

(c) Transformada de Hough.

(d) Pixeles unidos

52

UmbralizaciónImagen con unfondo oscuro y un objeto claro

Imagen con unfondo oscuro y dosobjetos claros

FIGURA 10.26: Histogramas de niveles de gris que pueden ser particionados por (a) un simple umbral, y (b) múltiples umbrales

53

Umbralización multinivelun punto (x,y) pertenece

a una clase objeto si T1 < f(x,y) ≤ T2

a otra clase objeto si f(x,y) > T2

al fondo si f(x,y) ≤ T1

T depende de solamente f(x,y) : solamente valores de nivel de gris

Umbralizacion globalambos f(x,y) y p(x,y) : sobre los valores de gris y su vecindad Umbralización local

54

El rol de la Iluminaciónf(x,y) = i(x,y) r(x,y)

a). función reflectancia generada con computadorab). Histograma de la función reflectanciac). Función iluminación generada con computadora(pobre)d). Producto de a). y c).e). histograma de la imagen producto

Facil uso de umbralización globalObjecto y fondo están separados

Dificil de segmentar

FIGURA 10.27

55

Compensación de la Iluminacióncompensar la no uniformidad proyectandoun patrón de iluminación sobre una superficie reflectiva blanca, constante. por lo tanto,

g(x,y) = ki(x,y)donde k es una constante que depende de la superficie e i(x,y) es el patrón deiluminación

56

Compensación de la Iluminaciónpara cualquier imagen f(x,y) = i(x,y) r(x,y) obtenida con la misma función iluminaciónsimplemente se divide f(x,y) por g(x,y) da una función normalizada h(x,y)

h(x,y) = f(x,y)/g(x,y) = r(x,y)/kpor lo tanto, podemos utilizar un simpleumbral T/k para segmentar h(x,y)

57

Umbralización Global Básica

genera imagen binaria

usa T valor medio entre los niveles degris máximo ymínimo

FIGURA 10.28(a) Imagen original

(b) Histograma de la imagen

(c) Resultado de la umbralizaciónglobal con T valor medio entre los niveles de gris máximo y mínimo

58

Umbralización Global Básicabasada en la inspección vsual del histograma

1. Seleccionar una estima inicial para T.2. Segmentar la imagen usando T. Esto producirá dos

grupos de pixeles: G1 consistente de todos los pixelescon niveles de gris > T y G2 consistente de pixeles convalores de niveles de gris ≤ T

3. Calcular los valores de niveles de gris promedio µ1 y µ2 para los pixeles en las regiones G1 y G2

4. Calcular el nuevo valor de umbral5. T = 0.5 (µ1 + µ2)6. Repetir los pasos 2 hasta 4 hasta que la diferencia en

T en iteraciones sucesivas sea mas pequeña que unparámetro predefinido To.

59

Ejemplo: Método Heuristiconota: el valle claarodel histograma y laefectividad de lasegmentación entre objeto y fondo

T0 = 03 iteraciones con resultado T = 125

FIGURA 10.29

(a) Imagen original

(b) Resultado de la segmentación con el umbral estimado por iteración

60

Umbralización Adaptativa Básica

subdivide la imagen original en pequeñas áreas.utiliza un umbral diferente para segmentar cada una de las subimágenes.dado que el umbral usado para cada pixeldepende de la ubicación del pixel entérminos de subimágenes, este tipo deumbralización es adaptativa.

61

Ejemplo : Umbralización Adaptativa

FIGURA 10.31

(a) Imagen original

(b) Resultado de la umbralizaciónglobal

(c) Imagen subdividida en subimágenesindividuales

(d) Resultado de la umbralizaciónadaptativa

62

Subdivisión posteriora). Subimágenes segmentadas incorrectamente y correctamente delejemplo previoe b)-c). histogramas correspondientesd). subdivisión posterior de lasubimágen segmentada incorrectamente.e). histograma de la subimagensuperiorf). resultado de la segmentación adaptativa de d).

63

Umbralización Global Optima yAdaptativa

1)()()(

21

2211

=++=

PPzpPzpPzp

FIGURA 10.32

Funciones densidad de probabilidades de nivel de gris de las dos regiones de una imagen

64

∫∞−

=T

dzzpTE )()( 21

∫∞−

=T

dzzpTE )()( 12

)()()( 2112 TEPTEPTE +=

Probabilidad de clasificación erronea

65

0))()(()( 2112 =+

=dT

TEPTEPddT

TdE

Error mínimo Diferenciando E(T) con respecto a T (usando la reglade Leibniz) e igualando el resultado a 0

)()( 2211 TpPTpP =Encontrar T que hace

si P1 = P2 luego el umbral óptimo está donde las curvap1(z) y p2(z) se interceptan

66

Densidad Gaussiana Ejemplo: usar PDF = densidad Gaussiana : p1(z) y p2(z)

22

22

21

21

2)(

2

22)(

1

1

2211

22

)()()(

σµ

σµ

σπσπ

−−

−−

+=

+=zz

ePeP

zpPzpPzp

donde • µ1 y σ1

2 son la media y variancia de la densidad Gaussiaa de un objeto• µ2 y σ2

2 son la media y variancia de la densidad Gaussianadel otro objeto

67

Ecuación cuadrica

)/ln(22

)(2

0

211222

21

21

22

22

21

212

221

22

21

2

PPC

B

AwhereCBTAT

σσσσµσµσ

σµσµ

σσ

+−=

−=

−=

=++

⎟⎟⎠

⎞⎜⎜⎝

⎛−

++

=1

2

21

221 ln

2 PPT

µµσµµ

si P1 = P2 o σ = 0luego el umbral óptimo es elpromedio de lasmedias

donde

68

Ejemplo

FIGURA 10.33

Un angiocardiogramaantes y después del preprocesamiento(Chow y Kaneko)

69

Histograma del ejemplo

FIGURA 10.34

Histogramas (puntos negros) de (a) región A. y (b) región B en la Fig. 10.33(b). (Chow y Kaneko)

70

Ejemplo: Contorno superpuesto

FIGURA 10.35

Angiocardiogramamostrando los contornos superpuestos. (Chow y Kaneko)

71

Contorno Característico por Histograma Mejorado yUmbralización Local

Lprocesamiento local debido al gradiente de cada área pequeña(…)(-,+)(0 or +)(+,-)(…)todos los pixeles que no son borde se rotulan 0todos los pixeles que están sobre el lado oscuro del borde serotulan +todos los pixeles que están sobre el lado claro del borde se rotulan-

0 and if 0 and if

if 0),(

2

2

⎪⎩

⎪⎨

⎧

<∇≥∇−

≥∇≥∇+

<∇

=

fTffTf

Tfyxs

objeto claro sobre fondo oscuro

72

EjemploFIGURA 10.36

Imagen de una firma escrita a mano codificada utilizando la ecuación (10.3-16)

73

Histograma del Gradiente

Seleccionar T en el punto medio del valle

FIGURA 10.38

Histograma de pixeles con gradientes mayores que 5

74

Resultado de aplicar T

FIGURA 10.37

(a) Imagen original

(b) Imagen segmentada por umbralización local

75

Segmentación Basada en Regiones

Formulación Basica

jfor i FALSE) RP(Re, ..., n, i TRUE) P(Rd

ji RRc, ..., n, i Rb

RRa

ji

i

ji

i

i

n

≠=∪==

≠=∩=

=∪=

)(21for )(

j, and i allfor )(21 region, connected a is )(

)(1i

φ

P(Ri) es un predicado lógico apropiado definido sobre todos los puntos del conjunto R

ej. P(Ri) = TRUE si todos los pixeles en Ri tienen el mismo nivel de gris

es una región conectada

para todo i y j,

para i =

para i

76

Agrupamiento de Regionescomenzar con un conjunto de puntos “semilla”agrupar agregando a cada semilla aquellos vecinos que tienen propiedades similares tales como rangos especificados de niveles de gris

77

Agrupamiento de RegionesSelecciona todos los puntos semilla con nivel de gris 255

criterios:1. el valor absoluto de

las diferencias de niveles de gris entre cualquier pixel y la semilla debe ser menor que 65

2. el pixel debe estar 8-conectado al menos a un pixel en esa región(si se une a mas de una región, las regiones etán unidas)

FIGURA 10.40(a) Imagen

mostrando una soldadura defectuosa.

(b) Puntos semilla.

(c) Resultado del agrupamiento de regiones.

(d) Contornos de las soldaduras defectuosas segmentadas

78

Histograma de la fig 10.40 a)

Usado para encontrar el criterio de la diferencia de niveles de gris entre cada pixel y las semillas

FIGURA 10.41

Histograma de la Fig. 10.40 (a)

79

División y unión de regiones

Arbol Cuaternario1. Dividir en cuatro cuadrentes disjuntos cualquier región Ri para la que

P(Ri) = FALSO2. Unir cualquier par de regiones Rj y Rk para las que

P(Ri ∪ Rk ) = VERDADERO3. Detener cuando no es posible realizar mas divisiones ni uniones.

FIGURA 10.42

(a) Imagen particionada

(b) Arbolcuaternario correspondiente

80

Ejemplo

P(Ri) = VERDAD si al menos el 80% de los pixeles en Ritienen la propiedad |zj-mi| ≤ 2σi, donde

zj es el nivel de gris del pixel j-esimo en Rimi es el nivel de gris promedio de esa regiónσi es la desviación estándar de los niveles de gris en Ri

FIGURA 10.43(a) Imagen original

(b) (b) Resultado del procedimiento de división y unión.

(c) Resultado de umbralizar (a)

81

Uso del movimiento en segmentación

FIGURA 10.49 Imágenes Diferencialees Acumuladas (ADI) de un objeto rectangular moviéndose en dirección sudeste. (a) ADI Absoluto. (b) ADI positivo. (c ) ADI negativo

82

Construcción de una imagen de referencia

FIGURA 10.50 Construcción de una imagen de referencia. (a) y (b) Dos cuadros en una secuencia. (c ) automóvil moviéndose hacia el este sustraído de (a) y el fondo restaurado desde el área correspondiente en (b). (Jain y Jain)

83

Umbralización basada en varias variables (umbralización multiespectral)

FIGURA 10.39 (a) Imagen color original mostrando un cuadro monocromo. (b) Segmentación de pixelescon colores próximos a los tonos de la cara. (c ) Segmentación de las componentes rojas