Utp pd_iy_va_sap11 segmentación

Procesamiento de Imágenes y Visión Artificial

(WEE2)

Sesión: 11

Ing. José C. Benítez P.

Segmentación

Logros de aprendizaje

1. Conocer en que consiste la segmentación de imágenes.

2. Revisar el objetivo y uso de la segmentación.

3. Analizar la segmentación basada en características .

4. Comprender la segmentación basada en transiciones.

5. Comprender la segmentación basada en modelos.

6. Implementar los algoritmos mediante funciones para operar la segmentación de las imágenes digitales.

7. Conocer los métodos de MatLab para la segmentación aplicados a las imágenes digitales.

2

3

Contenido

Segmentación de imágenes:

Introducción.

Objetivo y uso de la segmentación.

Proceso de la segmentación.

Aplicaciones de la segmentación.

Algoritmos de segmentación.

Segmentación basada en características.

Segmentación basada en transiciones.

Segmentación basada en modelos: La transformada de Hough.

Aplicaciones de la TH.

Introducción a la segmentación

Esquema general del análisis de imágenes

4

Introducción a la segmentación

La segmentación en el campo de la visión artificial es el proceso de dividir una imagen digital en varias partes (grupos de píxeles) u objetos.

La segmentación de la imagen es el proceso de asignación de una etiqueta a cada píxel de la imagen de forma que los píxeles que compartan la misma etiqueta también tendrán ciertas características visuales similares.

El resultado de la segmentación de una imagen es un conjunto de segmentos que cubren en conjunto a toda la imagen, o un conjunto de las curvas de nivel extraídas de la imagen (detección de bordes). Cada uno de los píxeles de una región son similares en alguna característica, como el color, la intensidad o la textura. Regiones adyacentes son significativamente diferentes con respecto a la(s) misma(s) característica(s).

5

Objetivo y uso de la segmentación

El objetivo de la segmentación es simplificar y/o cambiar la representación de una imagen en otra más significativa y más fácil de analizar.

La segmentación se usa tanto para localizar objetos como para encontrar los límites de estos dentro de una imagen.

Las técnicas de segmentación son muy dependientes del propósito de la aplicación y del tipo de imágenes a analizar.

Se han desarrollado varios algoritmos y técnicas de propósito general para la segmentación de imágenes y dado que no existe una solución general para el problema de la segmentación, a menudo se tienen que combinar varias técnicas para resolverlo eficazmente.

6

Proceso de la segmentación

Antes de segmentar es preciso definir qué objetos interesa determinar

Tras la segmentación es posible realizar operaciones de filtrado (a nivel de objetos), así como determinar características que permitan clasificar los objetos.

Una buena segmentación es difícil de evaluar. Fundamentalmente, lo que se busca es que diferentes objetos tengan valores claramente diferentes de la(s) característica(s) discriminante(s).

7

Aplicaciones de la segmentación

1. Visión artificial

2. Teledetección

3. Compresión

4. Inspección industrial

5. Análisis de imágenes médicas

6. Gestión de información multimedia

8


1. Pruebas médicas

• Localización de tumores y otras patologías

• Medida de volúmenes de tejido

• Cirugía guiada por ordenador

• Diagnóstico

• Planificación del tratamiento

• Estudio de la estructura anatómica

2. Localización de objetos en imágenes de satélite (teledetección).

3. Sensor de huella digital

4. Reconocimiento de caras

5. Reconocimiento de iris

6. Sistemas de control de tráfico

7. Visión por computador9


Frecuentemente estamos interesados en detectar líneas en una determinada dirección. Los píxeles que forman parte de una línea horizontal, vertical o diagonal, tendrán respuestas extremas ante alguna de las máscaras siguientes:

10

Aplicar cada una de estas mascaras a la imagen procesador.bmp.

Algoritmos de segmentación

Los algoritmos de segmentación se basan en los siguientes principios:

1. Discontinuidades del nivel de gris.

Consisten en segmentar la imagen a partir de los cambios grandes en los niveles de gris entre los píxeles.

Las técnicas que utilizan las discontinuidades como base son la detección de líneas, de bordes, de puntos aislados,…

2. Similitud de niveles de gris.

Es lo contrario al método anterior, las divisiones de la imagen se hacen agrupando los píxeles que tienen unas características similares.

Algunas técnicas que usan esto son la umbralización, el crecimiento de regiones, etc.

11


1. Métodos de agrupamiento (Clustering)

2. Métodos basados en el histograma

3. Detección de bordes

4. Métodos de crecimiento de regiones

5. Método del conjunto de nivel

6. Métodos de particionamiento gráfico

7. Transformación divisoria (watershed)

8. Método del valor umbral (umbralización)

9. Segmentación basada en modelos

10. Segmentación multi-escala

• Segmentación jerárquica de señales unidimensionales

• Segmentación de imágenes y el boceto original

11. Segmentación Semi-automática

12. Redes neuronales de segmentación12


1. Segmentación basada en características

• Segmentación por niveles de gris

• Segmentación de imágenes en color

• Segmentación por texturas

2. Segmentación basada en transiciones

• Detección de bordes


• Transformada de Hough

4. Segmentación basada en homogeneidad

• Fusión de regiones

• Zonas planas

• Propagación de Marcadores

5. Segmentación basada en Morfológica Matemática

13


1. Segmentación basada en características

• Segmentación por niveles de gris

• Segmentación de imágenes en color

• Segmentación por texturas

14

Se asigna cada píxel a una región en función de características locales de la imagen en el píxel y (posiblemente) en su vecindad.

Segmentación basada en características

15

Segmentación por niveles de gris

• Utiliza como característica solamente la luminancia de cada píxel.• Útil si distintos objetos se corresponden con niveles de gris

diferentes.• El nivel de gris determina alguna propiedad física en una imagen

específica de una aplicación (Rayos X, RMN, bandas en satélite, etc.)• Técnicas de operaciones puntuales (ej: doble umbralización)• Técnicas de clasificación basada en amplitud => imagen

binaria

Matlab: J=roicolor(I,low, high); ‘J’ es una imagen binariaK=roifilt2(h,I,J); se filtra ‘I’ por ‘h’ en los puntos ‘J’==1


16

En el caso ideal en que el objeto posea un rango estrecho de niveles de gris frente a un fondo uniforme, podemos establecer un nivel de gris intermedio (umbral) para separar objeto y fondo.

Para separar por umbral, es útil recurrir al histograma.



17

Segmentación por Histograma: • Picos: a menudo indican la presencia de zonas

homogéneas.• Valles: establecen los umbrales de separación.Problemas: • Objetos con un amplio rango de niveles de gris:• Fondo no uniforme, …• Imagen con ruido



18

• Al aplicar un umbral, u, se genera una partición de la imagen mediante

• Esto equivale a definir el conjunto (en este ejemplo, de nivel inferior):

• Este conjunto produce una división del espacio. La cantidad de componentes conexas de Lu

determinan el número de regiones.



19

Método automático para separar objeto del fondo: Otsu• Cálculo del histograma de gris• Cálculo iterativo de media y varianza• Hipótesis de umbral U => divide el histograma en dos partes y

se calcula media y varianza para cada parte iterativamente cambiando U.

• Medimos la varianza conjunta:

Segmentación por niveles de gris. Umbralización:


20

Segmentación por niveles de gris. Umbralización:

Matlab: level= graythresh(I); %utiliza el método de Otsu.BW=im2bw(I,level)


21

Segmentación por niveles de gris. Umbralización:• La determinación del umbral óptimo para una imagen

dada es un factor crítico de la segmentación.• Conociendo las distribuciones de luminancia propias

de cada objeto en la imagen, el umbral óptimo puede estimarse mediante consideraciones estadísticas.

• Sin embargo, puede haber limitaciones: si las distribuciones están solapadas, ningún umbral aplicado directamente sobre la luminancia de la imagen puede obtener una segmentación libre de errores.


22

Segmentación por niveles de gris. Umbralización:Puede mejorarse la segmentación realizando un preprocesado previo de la imagen.


23

Segmentación de imágenes de color:


24

Segmentación por agrupamiento:


2. Segmentación basada en transiciones

• Detección de bordes

25



• Transformada de Hough

26



• Las técnicas de segmentación basada en modelos presuponen conocidas algunas características de los objetos o regiones en la imagen: rectas, objetos circulares, etc.

• La transformada de Hough es una de las más utilizadas.

27



• Proyecciones

28



• Transformada de Hough (TH)

29

• Transformación de dominio para encontrar curvas paramétricas en una imagen (binaria o de grises).

El nuevo espacio transformado se denomina espacio de Hough.

Para ajustar distintos tipos de formas se usan distintos espacios de Hough.

• Objetivo de la TH:

Transformar un problema de detección de patrones en un problema de detección de máximos en el espacio de Hough.

• Ventaja principal de la TH:

Está poco afectada por ruido o huecos en las curvas.

Identificando las curvas que interesan en el espacio de Hough, es posible aislar regiones en la imagen original (filtrado).



• TH para segmentos rectos:

30



• TH de un punto:

31



• TH de segmentos paralelos y perpendiculares:

32




33




34



• TH: Ejemplos:

35



• TH: Ejemplos:

36


3. Segmentación basada en modelos• Ejemplo de segmentación mediante TH (Imagen binaria)

37


3. Segmentación basada en modelos• Ejemplo de segmentación mediante TH (Imagen binaria)

38



39



40



41

Tarea de la Sesión

1. Realizar mapas conceptuales (CMapTools) de la presentación y videos de ésta Sesión de Aprendizaje.

2. Mediante MatLab implementar funciones para cada uno de los operadores de detección de bordes. Alpicarlos sobre su fotografía (foto.jpg) y la imagen (lena.jpg) colocada en la Carpeta Sesiones de Aprendizaje del curso en el Dropbox.

3. Comparar los resultados con los resultados obtenidos de utilizar la función edge del MatLab.

4. Detectar los bordes de la imagen “bridge.gif”. Detectar primero los bordes horizontales, luego los verticales y componer en último lugar la imagen formada de bordes horizontales y verticales, utilizar para esto el filtro de sobel.

5. Hallar la imagen de bordes binaria de la imagen “lena.jpg”, aplicando todos los filtros posibles que admite la función edge. Realizar lo mismo pero en este caso no se empleará la función edge. 42

Tarea de la Sesión

5. Colocar dentro de su Carpeta Personal del Dropbox, en una carpeta de nombre “PDI_PaternoM_S11_tareas”:

Los mapas conceptuales

Los códigos (*.m)

Su foto.

Las imágenes resultantes.

43

44

Procesamiento de Imágenesy Visión Artificial

Blog del curso:http://utppdiyva.blogspot.com

Utp pd_iy_va_sap11 segmentación

Documents

Transcript of Utp pd_iy_va_sap11 segmentación