Beruflich Dokumente
Kultur Dokumente
Extraccin de caractersticas
Autores: Jos Luis Alba - Universidad de Vigo Jess Cid - Universidad Carlos III de Madrid Inmaculada Mora - Universidad Rey Juan Carlos Ultima revisin: marzo de 2006
ndice
Anlisis de Imgenes Segmentacin de Imgenes
Segmentacin Segmentacin Segmentacin Segmentacin basada basada basada basada en en en en caractersticas transiciones modelos homogeneidad
Etiquetado Bibliografa
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Anlisis de imgenes
Operaciones puntuales y de vecindad:
f(.)
Anlisis de imagen:
f(.) g(.) h(.) {caractersticas}
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Segmentacin
Extraccin de caractersticas
BASE DE CONOCIMIENTO
Extraccin de caractersticas
Imagen
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Segmentacin:
Divisin de la imagen en regiones con caractersticas similares. Cada una de las regiones de inters (que comparten ciertas propiedades) se denomina objeto. Resultado de la segmentacin: separacin de objetos. Para diferenciar los objetos, stos tendrn asignadas unas etiquetas.
Segmentacin Etiquetado
Etiquetado:
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Aplicaciones:
Visin artificial Teledeteccin Compresin Inspeccin industrial Anlisis de imgenes mdicas Gestin de informacin multimedia
http://caddlab.rad.unc.edu/publications/Tutorials/Summer02/segmentation.ppt
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Segmentacin de imgenes
Las tcnicas de segmentacin son muy dependientes del propsito de la aplicacin y del tipo de imgenes a analizar.
Antes de segmentar es preciso definir qu objetos interesa determinar Tras la segmentacin es posible realizar operaciones de filtrado (a nivel de objetos), as como determinar caractersticas que permitan clasificar los objetos. Una buena segmentacin es difcil de evaluar.
Fundamentalmente, lo que se busca es que diferentes objetos tengan valores claramente diferentes de la(s) caracterstica(s) discriminante(s).
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Tipos de segmentacin:
Segmentacin basada en caractersticas
Segmentacin por niveles de gris Segmentacin de imgenes en color Segmentacin por texturas Deteccin de bordes
Segmentacin
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
10
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.
Extraccin de luminancia Segmentacin por umbral
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
11
u = 130
Problemas:
Objetos con un amplio rango de niveles de gris Segmentacin Fondo no uniforme, por umbral, u Imagen con ruido
u = 70
u = 170
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
12
Esto equivale a definir el conjunto (en este ejemplo, de nivel inferior): Lu = {( x, y ) / I ( x, y ) < u} Este conjunto produce una divisin del espacio. La cantidad de componentes conexas de Lu determinan el nmero de regiones.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
13
Umbralizacin
Mtodo automtico para separar objeto del fondo: Otsu Clculo del histograma de gris Clculo iterativo de media y varianza Hiptesis de umbral U divide el histograma en dos partes y se calcula media y varianza para cada parte iterativamente cambiando U.
w1 (t + 1) = m1 (t + 1) =
U 1 x =0
pu ( x);
w2 (t + 1) =
x pu ( x); ( x m1 (t + 1)) 2 pu ( x)
L 1 x =U
pu ( x);
1 w1 (t + 1)
U 1 x =0
m2 (t + 1) =
1 w2 (t + 1)
L 1 x =U
x pu ( x); ( x m2 (t + 1)) 2 pu ( x)
12 (t + 1) =
1 w1 (t + 1)
U 1 x =0
2 2 (t + 1) =
1 w2 (t + 1)
L 1 x =U
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
14
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
15
La determinacin del umbral ptimo para una imagen dada es un factor crtico de la segmentacin. Conociendo las distribuciones de luminancia propias de cada objeto en la imagen, el umbral ptimo puede estimarse mediante consideraciones estadsticas. Sin embargo, puede haber limitaciones: si las distribuciones estn solapadas, ningn umbral aplicado directamente sobre la luminancia de la imagen puede obtener una segmentacin libre de errores
Segmentacin por umbral
u = 170
u = 150
u = 140
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
16
Filtro de media
+ Diferencia
Filtro de mediana
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
17
R G B
18
Combinacin
Imagen segmentada
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Combinacin de segmentaciones:
Histogramas 2 y 3D
La combinacin de los resultados de la segmentacin de cada componente por separado suele ser subptima, porque limita severamente la particin del espacio de color P. ej: la combinacin de las segmentaciones de las componente R y G impone una particin en rectngulos (vase figura). En distribuciones como las de la figura, las distribuciones de los objetos no parecen separables mediante fronteras paralelas a los ejes. En algunas imgenes se pueden combinar linealmente las componentes de color y crear una nica caracterstica a partir de la cual segmentar Cmo obtener la combinacin lineal ptima? A partir de la descomposicin en componentes principales.
uG
uR
Combinaciones lineales
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
19
wB
wR
20
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
f (x, y )
x =1 y =1 N M
Los autovalores de la matriz de covarianza indican la varianza en la direccin de los correspondientes autovectores. El autovector dominante (es decir, el de mayor autovalor) indica la orientacin preferente de la distribucin global.
Debe tomarse w igual al autovector dominante, de modo que
c = w T f ( x, y )
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
21
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
22
Cada regin del espacio de caractersticas se define mediante un patrn o centroide. Cada vector de caractersticas se asigna a la regin del centroide ms prximo.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
23
1 v N i "vv " i Volver a asignar todos los datos a sus nuevos representantes y repetir hasta que no haya cambios de asignacin (convergencia segura). vi =
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
24
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
25
4.
Se define una particin inicial, con 2 centroides. Se aplica un algoritmo de agrupamiento (p.ej.: k-medias) Se define un criterio de homogeneidad para determinar dnde separar regiones vecinas. Si no se satisface un criterio de parada, se dividen regiones vecinas menos homogneas y vuelve a 2.
(al crear un nuevo grupo, se elige como centroide la muestra ms distante del centroide del grupo original)
Algunos algoritmos combinan procesos de fusin y divisin de regiones Cundo se detiene el algoritmo?
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
26
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
27
Criterio de parada:
Mnimo de
(varianza media de cada regin) x (n de regiones)
Nmero de iteraciones
Segmentacion final:
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
28
Anlisis de texturas
Se utilizan filtros, operadores locales. Su salida es la caracterstica utilizada para segmentar. Se pueden encontrar varios tipos de textura: con distintos intervalos de brillo, diferentes frecuencias espaciales y diferentes orientaciones.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
29
La utilizacin de varios filtros permite formar patrones de caractersticas. Dificultad para localizar de forma precisa una frontera de texturas: fluctuaciones aleatorias. Dependiendo de la textura que se pretende segmentar, el filtro deber ser sensible a orientaciones, varianzas locales, periodicidades, ...
Filtro de varianza
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
30
Histograma localizado:
Pueden obtenerse parmetros de textura a partir del histograma calculado con los pxeles en una regin localizada de la imagen (por ejemplo, en la vecindad de un pxel).
(recordando : pu ( x) P[u = x] Momentos : mi = E[u ] =
i
L 1 i x x =0
| x |i p u ( x )
L 1 x =0
( x m1 ) i pu ( x)
L 1 x =0
| x m1 |i pu ( x)
L 1 x =0
pu ( x) log 2 ( pu ( x))
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
31
32
Normalmente las regiones sobre las que se calculan las caractersticas se definen mediante una ventana mvil:
mi ( x, y ) = 1 N 1 N
( k ,l )E N
[u ( x k , y l )]i
i ( x, y ) =
( k ,l )E N
[u ( x k , y l ) m1 ( x, y )]i
Matlab: J = blkproc(I,[m n],[mborder nborder],fun,...); % divide I en bloques. fun: funcin que procesa cada bloque [m n] y devuelve otro o un escalar. J=nlfilter(I,[m n],fun,...); % procesa cada bloque deslizante devuelve un escalar. J=colfilt(I,[m n],blocktype, fun,...); % Procesa ms rpido y distingue entre bloques separados o deslizantes.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
33
+/2)
Tambin pueden utilizarse como parmetros los coeficientes de transformadas aplicada a subimgenes
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
34
35
mscaras
Matlab: J = filter2(h,I); % realiza la correlacin de I con h Se relaciona con conv2 mediante una rotacin de 180 del filtro h
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
36
Operadores de gradiente:
se representa mediante dos mscaras h1 y h2 que miden el gradiente de la imagen I(x,y) en dos direcciones ortogonales.
I(x,y) h1(-x,-y) h2 (-x,-y) f1(x,y) f2(x,y)
f =
fx2 + f y2 fy fx
z(x,y)
umbral
* = arctan
q(x,y)
1, (m, n) I g z (m, n) = 0 , (m, n) I g I g {(m, n); f (m, n) > umbral}
Umbral: histograma acumulado de f(x,y) quedarse con el 5-10% Aproximaciones rpidas: f(x,y) = |f1(x,y)| + | f2(x,y)| mscaras de Roberts, Prewitt, Sobel
37
Operadores de comps:
se mide el gradiente en nmero prefijado de direcciones:
k=/2+k /4 I(x,y) z(x,y)
hk(-x,-y)
fk(x,y)
max k {| . |}
umbral
(x,y)
1 0 1 1 0 1 O 1 0 1
0 1 1 1 0 1 SO 1 1 0
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
38
Operadores de Laplace:
Cuando los bordes no son muy abruptos los operadores de gradiente no funcionan demasiado bien mejor derivadas de segundo orden. El ms utilizado es el operador laplaciano: 2 f 2 f 2 f = 2 + 2 x y que puede aproximarse mediante mscaras del tipo
0 1 0 1 4 1 0 1 0
Tiene algunos inconvenientes: es sensible al ruido, produce doble borde y no detecta direcciones:
para atenuar la influencia del ruido se puede pasar un filtro gaussiano a la imagen y a continuacin hacer el laplaciano para detectar bordes. Esta secuencia de operaciones es equivalente a aplicar un filtro que sea el laplaciano del filtro gaussiano: es el operador laplaciano generalizado, tambin denominado filtro LOG
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
39
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
40
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
41
Proyecciones
H (y) =
f ( x, y )
V ( x ) = f ( x, y )
y =0 N 1
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
42
Objetivo de la TH:
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
43
(i , j) j
i
44
TH de un punto
Cada punto (xk ,yl ) se corresponde con una curva en el plano (j , i ). As, calculando las curvas para muchos puntos, los puntos de cruce definen rectas que los unen. Todas las curvas correspondientes a las componentes colineales intersecan en el mismo punto (,), donde y especifican los parmetros de la lnea. Espacio Imagen Espacio Hough
y A B C x
Angulos (grados) radios C A B
y D
B C
radios B
D A
x
Angulos (grados)
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
45
Identificacin de segmentos paralelos y perpendiculares Una recta en el espacio cartesiano (x,y) se representa por un punto (,) en el dominio de Hough.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Implementacin:
En el caso discreto, el dominio de Hough es un array bidimensional que representa valores discretos de y . Antes de aplicar la TH es necesario seleccionar una resolucin del dominio de Hough. Matriz acumuladora: Cuantificacin del plano de parmetros en celdillas acumuladoras TH de una Imagen binaria: cada celdilla indica el nmero de pxeles que componen el segmento recto Si la imagen no es binaria, la cuenta de pxeles debe ponderarse por el nivel de intensidad.
= x cos + y sin
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
47
= x cos + y sin
Al finalizar, cada celdilla indica el nmero de pxeles que forman una recta con esos parmetros ( , )
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
48
Ejemplo:
Transformada de Hough de puntos alineados. El brillo en la transformada es proporcional al nmero de puntos que contribuyen.
Transformada de Hough
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
49
Ejemplo
Deteccin de bordes
Transformada de Hough
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
50
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
51
Transformada de Hough
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
52
Technion - Israel Institute of Technology Computer Science Department Intelligent Systems Laboratory
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
53
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
54
Mtodo General
1. Determinar la ecuacin correspondiente al rasgo que queremos buscar, as como los parmetros en funcin de los que se define. 2. A partir de la imagen original destacamos los elementos de la misma que van a dar forma al rasgo buscado 3. Discretizacin del espacio de bsqueda (para que las contribuciones de cada pxel se puedan acumular en celdillas). 4. Clculo de la Transformada de Hough
P.e: puntos de la frontera bordes
5. Filtrado
Imgenes binarias: todos los pxeles contribuyen por igual Imgenes de grises: los pxeles con mayor nivel presentan mayor contribucin determinar los valores de los parmetros cuya caracterstica se desea filtrar en el espacio original
55
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Ventajas
Cada pxel de la imagen se procesa de modo independiente, lo que facilita su implementacin en paralelo. La transformada general de Hough es til para la deteccin de formas complejas Es capaz de reconocer patrones ligeramente deformados, ocultos o discontinuos Robusta frente al ruido Permite buscar simultneamente todas las ocurrencias de un patrn
Inconvenientes
Tiempo y memoria No ofrece respuesta absoluta, sino un ndice de probabilidad de que cada una de las formas posibles sea la buscada
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
56
lca
Algunas aplicaciones
Procesamiento de imgenes areas: la TH se aplica en identificacin y localizacin de estructuras en imgenes areas (pe: carreteras, edificios, vehculos, etc). Biometra: identificacin del iris y huellas dactilares Deteccin de rasgos faciales, gestos Seguimiento de objetos Procesos de fabricacin: deteccin de defectos, etc
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
57
Sobre cada huella se guarda en la base de datos informacin sobre una ocurrencia de cada uno de estos rasgos y las distancias que hay entre ellas.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
58
Para comparar una huella con alguna de las almacenadas en la base de datos, aplicamos la TH a cada uno de los tres patrones, seleccionando en cada caso el punto de la imagen que mejor se ajusta a cada uno de ellos Se considera identificacin positiva si se alcanza un nivel de semejanza determinado entre ambas imgenes en funcin del parecido entre los patrones encontrados con los de la base de datos y las distancias existentes entre ellos.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
59
60
Operadores Conexos
Un operador actuando sobre conjuntos es conexo si y solo si, para cada familia de conjuntos A, A <(A) Los operadores conexos son interesantes porque simplifican la imagen sin introducir nuevos contornos. Ejemplo:
El operador que elimina todas las componentes conexas con rea menor a un umbral dado es un operador conexo. Cuando una regin (componente conexa) es eliminada todos sus elementos son asignados a la regin vecina ms cercana".
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Crecimiento de regiones
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
63
Principio de operacin
Asociacin de pxeles, a partir de un pxel inicial o raz, con los pxeles vecinos que tengan las mismas propiedades, por ejemplo, niveles de gris, color, etc. Por ejemplo, a partir de la siguiente subimagen, 0 0 5 6 7
1 0 2 0 1 [1] 0 1 5 6 7 5 8 [7 ] 6 6 7 7 6 5
representada por una matriz, es necesario efectuar una particin en dos regiones, A y B, segn la propiedad: |p-q|<T, es decir, un umbral con respecto a los niveles.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
64
Sin embargo, la seleccin del valor del umbral T es ms importante. Si T=8, se obtiene una sola regin:
A A A A A A A A A A A A A A A A A A A A A A A A A
65
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Ejemplo sinttico:
Semilla
Durante crecimiento
Resultado final
66
Original
Gradiente
Mnimos regionales
Inundacin de una cuenca a partir de la adyacente Construccin de una presa en los lugares donde el agua procedente de dos mnimos contiguos se fusionan Matlab: J=watershed(I)
67
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Solucin:
Marcar las zonas que deseamos que sean mnimos regionales Watershed con marcadores.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
El algoritmo propaga las etiquetas hasta que stas alcanzan una lnea de cresta.
Inconvenientes
No es trivial encontrar buenos puntos de partida Difcil de automatizar
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
69
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
70
Etiquetado
Terminologa:
Fondo
corresponde a las regiones de la imagen que no interesan. Se les suele asignar la etiqueta 0, y las representaremos con un nivel cero en la capa de segmentacin.
Primer plano
determina los pxeles de la imagen que corresponden a objetos de inters.
Etiqueta
nmero que identifica a cada pxel, indicando a qu objeto pertenece.
Vecindad
determina si dos pxeles son o no vecinos (adyacentes).
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
71
Segmentacin de Imgenes
Objetos
Vecindad a 8:
Tambin se toman en cuenta los puntos adyacentes en diagonal
Conectividad:
Dos pxeles con la misma etiqueta, c, estn conectados si existe un camino de uno al otro a travs de pxeles vecinos con la misma etiqueta.
Objeto
Conjunto de puntos que se conectan entre s: existe una trayectoria conectada (continua) entre cualesquiera dos puntos pertenecientes al objeto.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
72
Objetos y vecindades:
Paradojas de vecindad:
Vecindad a 8: Vecindad a 4:
La nocin de objeto est ligada a la vecindad utilizada. La imagen contiene un objeto, o 4, segn consideremos vecindad a 8 o a 4, respectivamente.
Un anillo no encierra una regin: exterior e interior permanecen conectados !! 4 objetos desconectados crean un agujero aislado del exterior.
La paradoja puede resolverse considerando vecindades a 8 para objetos y a 4 para el fondo, o viceversa.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
73
el etiquetado consiste en identificar grupos conexos de pxeles de primer plano, asignndole a cada uno de ellos una etiqueta diferente.
Segmentacion (vecindad a 8)
Matlab: L=bwlabel(I,N); N= 4 8
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
74
Bibliografa
Digital Image Processing, Rafael C. Gonzlez, Ed.
Prentice Hall, 2nd edition.
Jos Luis Alba - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
75