Segmentacion de imagenes mediante campos aleatorios de

Markov
Leidy Paola Rodriguez y Jose David Beltran
Universidad

Distrital Francisco Jos

e de Caldas, Bogot
a, Colombia, leprodriguezp@correo.udsitrital.edu.co

Universidad

Distrital Francisco Jos

e de Caldas, Bogot
a, Colombia, jdbeltranl@correo.udsitrital.edu.co

Resumen
Una importante aplicaci
on de los modelos probabilsticos no dirigidos, y m
as especficamente, de los campos aleatorios de Markov es el an
alisis computacional de im
agenes. Las redes
de Markov son usadas actualmente para una gran variedad de tareas de procesamiento visual
como la segmentaci
on de im
agenes, el reconocimiento de objetos, la eliminaci
on de ruido en
im
agenes, y muchas m
as. Mediante esta propuesta pretendemos dar a conocer las generalidades
sobre las que se basa el proceso de segmentaci
on de im
agenes haciendo uso de redes de Markov.
Mostraremos algunos aspectos importantes de los modelos gr
aficos no dirigidos que permiten
el desarrollo de estas tareas como las redes de Markov por pares, la distribuci
on de Gibbs, la
reducci
on de redes y reconstruiremos el proceso llevado a cabo para la realizaci
on de esta tarea.

1.

Introducci
on

En los u
ltimos a
nos, los modelos gr
aficos probabilsticos han sido de gran utilidad para entender y
trabajar complejos sistemas que se caracterizan por la presencia de m
ultiples aspectos relacionados
entre s. Por ejemplo, en una imagen hay cientos de pixeles con docenas de propiedades que deter
minan la forma, el color y las caractersticas fundamentales de la imagen. Estas
consideraciones de
los pixeles pueden ser caracterizadas en terminos de un conjunto de variables aleatorias, donde el
valor que puede tomar cada variable define determinada propiedad de cada pixel que en conjunto
con los dem
as, definen las caractersticas generales de la imagen. Teniendo en cuenta lo anterior,
es posible construir modelos probabilsticos que nos permitan realizar diversas tareas referentes al
procesamiento visual. En particular, el considerar los modelos graficos no dirigidos como las redes
de Markov, nos brinda una gran facilidad y flexibilidad al estudiar las interacciones que presentan
los pixeles al ser considerados como variables aleatorias.
Haciendo uso de las redes de Markov por pares, un tipo especfico de red de Markov donde las
interacciones entre las variables aleatorias ocurren como maximo entre dos variables, es posible
particionar o clasificar los pixeles en regiones correspondientes a diferentes escenas de determinada

imagen; a este proceso se le conoce como segmentacion de imagenes, donde por medio de la creaci
on
de nuevas variables aleatorias es posible separar, o segmentar las regiones de determinada imagen
de acuerdo a sus caractersticas.
Debido a la gran cantidad de pixeles que en ocasiones puede conformar una imagen, usualmente
esta tarea resulta muy complicada para un computador. Con la ayuda de las redes de Markov, la
complejidad de esta tarea puede verse considerablemente disminuida y es por eso que consideramos
fundamental el estudio te
orico referente a este tipo de modelos graficos probabilsticos que contribuyen notoriamente al desarrollo de diversas ramas que se relacionan con la matematica.
A lo largo de esta propuesta damos a conocer algunos aspectos importantes que soportan esta
teora relacionadas a funciones de distribucion asociadas a estos modelos, parametrizacion de los
mismos, relaciones de independencia entre los elementos en consideracion y otros elementos que son
de importancia al trabajar las aplicaciones de esta area a diferentes problemas.

2.

Algunos resultados

A lo largo de la propuesta pretendemos dar a conocer ciertos elementos que fundamentan el proceso
de segmentaci
on de im
agenes y la aplicacion de dicho proceso. De esta manera, se presentara:
1. La construcci
on y fundamentacion teorica de una red de Markov relacionada a la segmentaci
on
de determinada imagen en escala de grises.
2. La Parametrizaci
on y reducci
on de una red de Markov para el proceso de segmentacion.
3. Aplicaci
on del proceso de segmentacion a una imagen especfica haciendo uso de funciones de
energa, su respectiva optimizacion y la distribucion de Gibbs.

Referencias
[1] Koller D. & Friedman N., Probabilistic Graphical Models, principles and techniques, Massachusetts Institute
of Technology (2009), 103153.
[2] Zoltan K. Markov Radom Fields in Image Segmentation, University of Szeged (2008).
[3] Yiran Xie, Rui Cao, Hanyang Tong, Sheng Liu, Nianjun Liu. Evaluating multi-scale over-segment and its
contribution to real scene stereo matching by high-order MRFs, IEEE Digital Image Computing: Techniques
and Applications (2010), 236240.
[4] S.Z. Li. Markov Random Field Modeling in Image Analysis, Springer, ISBN. (2001), 301317.
[5] Tama
as Szira
anyi, Josiane Zerubia, La
aszLo
a Czu
ani, David Geldreich and Zolta
an Kato, Image Segmentation
Using Markov Random Field Model in Fully Parallel Cellular Network Architectures, Real-Time Imaging 6,
(2000), 195211