Analisis de Imagenes

Mtodos de anlisis de imgenes
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}
reconocimiento descripcin interpretacin comprensin
Sistema de anlisis de imgenes

Esquema general de un sistema para el anlisis de imgenes
Segmentacin
BASE DE CONOCIMIENTO
Imagen
Adquisicion, Realce restauracin
Reconocimiento, Clasificacin interpretacin

4
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:
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
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).
Tipos de segmentacin:
Segmentacin basada en caractersticas
Segmentacin por niveles de gris Segmentacin de imgenes en color Segmentacin por texturas Deteccin de bordes
Segmentacin basada en transiciones Segmentacin basada en modelos Segmentacin basada en homogeneidad

Fusin de regiones Zonas planas Propagacin de Marcadores Transformada de Hough
Segmentacin basada en Morfolgica Matemtica


Se asigna cada pxel a una regin en funcin de caractersticas locales de la imagen en el pxel y (posiblemente) en su vecindad.
Segmentacin
Segmentacin por niveles de gris

Utiliza como caracterstica solamente la luminancia de cada pxel. El nivel de gris determina alguna propiedad fsica en una imagen especfica de una aplicacin (Rayos X, RMN, bandas en satlite, etc)
Tcnicas de operaciones puntuales (ej: doble umbralizacin) Tcnicas de clasificacin basada en amplitud imagen binaria Matlab: J=roicolor(I,low, high); J es una imagen binaria K=roifilt2(h,I,J); se filtra I por h en los puntos J==1 til si distintos objetos se corresponden con niveles de gris diferentes.
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
Para separar por umbral, es til recurrir al histograma.
11
Segmentacin por Histograma:

Picos: a menudo indican la presencia de zonas homogneas Valles: establecen los umbrales de separacin
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
12
Al aplicar un umbral, u, se genera una particin de la imagen mediante

1, I ( x, y ) u L( x , y ) = 0, I ( x, y ) > u
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.
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
Medimos la varianza conjunta:

2 = w1 (t + 1) 12 (t + 1) + w2 (t + 1) 2 2 (t + 1) D = 2 2 Mide la " calidad" del umbral U D=0 ej : para dos niveles de gris 2 D = si U no est entre ambos si U est entre ambos
14
Matlab: level = graythresh(I); %utiliza el mtodo de Otsu BW=im2bw(I,level)
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
16
Puede mejorarse la segmentacin realizando un preprocesado previo de la imagen.
Filtro de media
Segmentac. por umbral
+ Diferencia
Filtro de mediana
Segmentac. por umbral
17
Segmentacin de imgenes en color

Es posible segmentar una imagen en color utilizando umbrales.
Para ello, se presentan dos alternativas:
R G B Segmentacion por umbral Segmentacion por umbral Segmentacion por umbral Combinacin
Imagen segmentada
R G B
18
Combinacin
Segmentacion por umbral
Imagen segmentada
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
19

Combinaciones lineales:
Anlisis por componentes principales

Transforman las componentes R, G y B en una sola componente de la forma C = wR R + wG G + wB B Aplicada a todos los puntos de la imagen f(x,y) de componentes fR(x,y), fG(x,y) y fB(x,y), resulta c(x,y) = wR fR(x,y) + wG fG(x,y) + wB fB(x,y) En forma vectorial: c(x,y) = wT f (x,y) siendo w = (wR, wG, wB)T Si w es un vector unitario (||w||=1), c es la proyeccin ortogonal de f sobre la recta en direccin w.
wB wR
wB
wR
20
Clculo de la componente principal:

f= 1 MN
(1) Se calcula NlaMmedia de toda la imagen
f (x, y )
x =1 y =1 N M
(2) Se calcula la matriz de varianzas de color

1 S= MN
(f (x, y ) f )(f (x, y ) f )

x =1 y =1
(3) Se calculan los autovalores y autovectores de dicha matriz

Indican la proporcin de la informacin original que contiene esa nueva caracterstica
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 )
21
Ejemplo: Mano sobre tela

Autovectores y autovalores: 1 = 0.0938 v1 = (0.78, 0.58, 0.23) 2 = 0.0032 v2 = (-0.43, 0.22, 0.88) 3 = 0.0003 v3 = (0.46, -0.78, 0.42) Combinacin lineal ptima: C = 0.78 R + 0.58 G + 0.23 B
Histograma de la componente principal
22
Segmentacin por agrupamiento

Agrupamiento (clustering)
til cuando no se conocen las caractersticas de las regiones que buscamos o, incluso, si no se sabe cuntas categoras hay. Fundamento:
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.
23
algoritmo de agrupamiento o clustering

El agrupamiento puede realizarse mediante el algoritmo k-medias. El algoritmo K-medias consiste en encontrar K prototipos a partir de los vectores de un conjunto dado (aqu se aplicara a cada clase por separado) Algoritmo K-medias (K-means):
Tomar K datos aleatoriamente dentro del margen dinmico del conjunto de diseo (pueden ser del propio conjunto o no) Asignar cada dato del conjunto a uno de los K representantes anteriores mediante la regla de mnima distancia:
|| v vi || < || v v j || j i; 1 i, j K v " se asigna al representante" vi

Calcular las medias de todos los datos asignados a cada representante y definirlas como nuevos representantes:
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 =
24
simulacin del algoritmo K-means
25
Si no se conoce el nmero de grupos, se procede iterativamente: Divisin de regiones

1. 2. 3.
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?
26
Ejemplo: Divisin sucesiva de regiones
27
Criterio de parada:
Mnimo de
(varianza media de cada regin) x (n de regiones)
Nmero de iteraciones
Segmentacion final:
28

Textura:
Modelo o estructura de la imagen Queda caracterizada por relaciones entre pxeles, no por pxeles aislados.
Segmentacin basada en texturas
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.
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
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
n pixels con valor de gris x ) n pixels totales pu ( x ) i = 1,2,...

L 1 x =0
L 1 i x x =0
Momentos absolutos : mi = E[| u |i ] =
| x |i p u ( x )
Momentos centrales : i = E[{u E[u ]} ] =
L 1 x =0
( x m1 ) i pu ( x)
Momentos centrales absolutos : i = E[| u E[u ] |i ] = Entropa : H = E[ log 2 ( pu ( x))] =
L 1 x =0
| x m1 |i pu ( x)
L 1 x =0
pu ( x) log 2 ( pu ( x))
31
Los momentos ms utilizados son:

dispersin : 1 para extraer bordes finos media : m1 para extraer bajas frecuencia s varianza : 2 para extraer bordes gruesos valor cuadrtico medio o energa media : m 2 baja frecuencia skewness : 3 / 13 para extraer asimetra de los datos respecto a la media kurtosis : 4 / 1 4 3 para extraer la influencia de outliers en los datos
Caractersticas relacionadas con el histograma de forma no lineal:

Mediana robusto extrae un valor parecido a la media pero ms
Matlab: J=medfilt2(I,[m n]); Matlab: J=medfilt2(I,[m n]);
Moda extrae el valor de gris ms probable en el entorno localizado

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.
33
Extraccin de caractersticas a partir de transformadas

Aplicacin de una mscara en el dominio transformado (normalmente en el dominio frecuencial):
f(x,y) Transformada Directa F(u,v) G(u,v) Transformada inversa g(u,v)
Mscara H(u,v) En caso de utilizar la TF las mscaras ms habituales son:

Anillo circular deteccin de bordes Ranura angular deteccin de orientacin (
+/2)
Tambin pueden utilizarse como parmetros los coeficientes de transformadas aplicada a subimgenes
34
Segmentacin basada en transiciones

Los mtodos de segmentacin basada en transiciones aplican sobre la imagen, o sobre un plano de caractersticas, un detector de bordes. Las regiones se definen a partir de las fronteras delimitadas por los bordes detectados. Deteccin de bordes Tcnica general: medir el gradiente de la imagen f en una direccin determinada a lo largo de una recta r : f f x f y = + = f x cos + f y sen r x r y r
f f = 0 = f x sen * + f y cos * r r mx f * = a tan y direccin del borde f x f 2 2 = f x + f y magnitud del vector gradiente r mx
35
A partir de la anterior definicin surgen dos tipos de detectores de bordes:

Operadores de gradiente 2 direcciones ortogonales Operadores de comps barrido de direcciones posibles para el mximo
Implementacin en imgenes digitales

h mscara pxp; I imagen original < I, h > m,n
mscaras
h(i, j) I (i + m, j + n) = I (m, n) * h(m,n)

i j
Matlab: J = filter2(h,I); % realiza la correlacin de I con h Se relaciona con conv2 mediante una rotacin de 180 del filtro h
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
Matlab: J = bwedge(I,mtodo); % deteccin de bordes en I con mtodo mtodo=sobel,prewitt,roberts,canny

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 1 1 1 1 0 0 0 0 N 1 0 1 NO 1 1 1 0 1 1 Mscara mayor resolucin en
1 0 1 1 0 1 O 1 0 1
0 1 1 1 0 1 SO 1 1 0
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
39
Operadores de Laplace y cruces por cero (cont):

r2 x2 + y2 r2 2 2 exp h( x, y ) = exp h = 4 2 2 2 2 m2 + n2 2 m2 + n2 2 exp en discreta : h(m, n) C 4 2 2 C asegura la normalizacin de la mscara; controla el ancho de la gaussiana (desenfoque)
Matlab: H = fspecial('gaussian',hsize,sigma) H = fspecial(laplacian',alpha) H = fspecial(log',hsize,sigma) J=filter2(I,H)
40
Segmentacin basada en modelos

Las tcnicas de segmentacin basada en modelos presuponen conocidas algunas caractersticas de los objetos o regiones en la imagen: rectas, objetos circulares, etc. La transformada de Hough es una de las ms utilizadas.
41
Proyecciones
Permiten localizar objetos Las proyecciones que ms interesan son:

Horizontales: sumando los niveles de los pxeles de cada lnea horizontal
M 1 x =0
H (y) =
f ( x, y )
V ( x ) = f ( x, y )
y =0 N 1
Verticales: sumando los niveles de los pxeles de cada lnea vertical
42

Transformacin de dominio para encontrar curvas paramtricas en una imagen (binaria o de grises).
Transformada de Hough (TH)

El nuevo espacio transformado se denomina espacio de Hough. Para ajustar distintos tipos de formas se usan distintos espacios de Hough. Transformar un problema de deteccin de patrones en un problema de deteccin de mximos en el espacio de Hough. Est 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).
P.e., el seguimiento de una bola de bolos se hara encontrando con la TH el elemento ms circular de la imagen
Objetivo de la TH:
Ventaja principal de la TH:
43
TH para segmentos rectos

Tcnica para detectar segmentos rectos en imgenes de grises. Usa la descripcin paramtrica de formas geomtricas: representacin de una recta en coordenadas polares = x cos + y sen Una recta a distancia j del origen y con orientacin i se representa como: La transformada de Hough de esta recta es un punto del plano (, ).
(i , j) j
i
La TH lineal es una transformacin de recta a punto

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)
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.
Lneas paralelas y perpendiculares
Transformadas de Hough de (a)

46
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
47
Algoritmo de la TH (Imagen binaria)

Inicializacin de la matriz acumuladora a ceros Para cada pxel de la imagen con nivel distinto de cero
Para cada valor de se determina el valor de
= x cos + y sin
Se incrementa la posicin (, ) de la matriz en 1
Al finalizar, cada celdilla indica el nmero de pxeles que forman una recta con esos parmetros ( , )
48
Ejemplo:
Transformada de Hough de puntos alineados. El brillo en la transformada es proporcional al nmero de puntos que contribuyen.
Transformada de Hough
49
Ejemplo
Deteccin de bordes
50
Ejemplo de segmentacin mediante TH (Imagen binaria)

A partir de la transformada, es posible seleccionar los puntos de la recta de inters. Para ello
Se seleccionan los parmetros (, ) de inters Para cada pxel de la imagen original, y para el valor de a filtrar, se calcula el correspondiente y se mantiene el pxel si coincide con el valor de .
Ejemplo: Deteccin de una carretera en una imagen area

Dada una imagen, se pretende encontrar un sub-conjunto de pxeles de la misma que se encuentran sobre una lnea recta con una determinada caracterstica (orientacin, nmero de pxeles, ...).
Aumento del contraste
Filtrado paso alto
51
Producto punto a punto (FPA, contrastada)
Filtrado a partir del mximo de la TH
Localizacin de la carretera en la Imagen
52
Otras Transformaciones de dominio

Ejemplo: encontrar, mediante la transformada de Hough para curvas, el crculo central de un campo de ftbol para, posteriormente, introducirle una imagen publicitaria.
Technion - Israel Institute of Technology Computer Science Department Intelligent Systems Laboratory
53
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
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
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
57
Ejemplo: Identificacin de huellas dactilares

Se usa una variante de la TH que nos permite encontrar ocurrencias de formas irregulares Como parmetros, se usa el ngulo de rotacin y la traslacin del patrn buscado sobre la imagen Para determinar una huella, se buscan ocurrencias de tres tipos de patrones caractersticos de cada huella
A: Extremo B: Bifurcacin C: Bucle
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.
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.
59
Segmentacin basada en homogeneidad

Zonas Planas
Operadores conexos para conjuntos
Un operador es conexo si solo preserva o elimina componentes conexas, pero no las divide. Interactan con la imagen por medio de zonas planas, preservando contornos
Particin del espacio

Una familia de conjuntos es una particin del espacio si son dos a dos disjuntos y su unin da el espacio. Una particin del espacio, P se dice ms fina que otra Q (y se escribe como P < Q) si dos puntos que pertenecen a una misma regin Pi P , tambin estn en una misma regin Qj :
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".
Imagen original (433 x 405 pxeles)
Supresin de regiones con menos de 100 pxeles 61
Supresin de regiones con menos de 300 pxeles
Supresin de regiones con menos de 800 pxeles

62
Segmentacin basada en homogeneidad
Crecimiento de regiones
Son mtodos de abajo-arriba:

Parte de unos puntos o semillas Incluye en la misma regin pxeles vecinos con caractersticas (nivel de gris, textura, color) similares Contina hasta que todos los pxeles se han asignado a uno de los puntos de partida
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.
64
Si se toma un umbral T=3:

A A A A A A B A B A B A B A B B B B B B B B B B B
En este caso, no importa como se escogen las semillas en cada regin.
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
Ejemplo sinttico:
Semilla
Durante crecimiento
Resultado final
(Propiedad de color idntico)

66
Segmentacin por watershed

Watershed es un mtodo de
crecimiento de regiones Interpreta las regiones como zonas de influencia de los mnimos locales de intensidad. Procedimiento:
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
Problemas del watershed

El ruido y la textura introducen sobresegmentacin.
Solucin:
Marcar las zonas que deseamos que sean mnimos regionales Watershed con marcadores.
Original+ruido Original Mnimos regionales

68
Watershed con marcadores

Partimos de una imagen gradiente, donde se han seleccionado los marcadores. Cada marcador identifica un objeto.
Et1 Et2 Et3
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
69
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).
71
Segmentacin de Imgenes
Objetos
Vecindad: Dos tipos

Vecindad a 4:
Slo se consideran puntos conectados en direcciones perpendiculares (izquierda, derecha, arriba, abajo).
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.
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.
73
Etiquetado de imgenes binarias:

Suponiendo dos niveles
Nivel 1 (primer plano) Nivel 0 (fondo)
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
74
Bibliografa
Digital Image Processing, Rafael C. Gonzlez, Ed.
Prentice Hall, 2nd edition.
Fundamentals of Digital Image Processing, Anil K.

Jain, Ed. Prentice Hall, 1989.
The image processing handbook, John C. Russ, 2nd
ed, CRC Press , cop. 1995 http://www.cs.technion.ac.il/Labs/Isl/Project/Projects _done/VisionClasses/Vision_1999/Hough/ http://www.dai.ed.ac.uk/HIPR2/hough.htm
75

Analisis de Imagenes

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Analisis de Imagenes

Hochgeladen von

Copyright:

Verfügbare Formate

Mtodos de anlisis de imgenes

reconocimiento descripcin interpretacin comprensin

Sistema de anlisis de imgenes

Adquisicion, Realce restauracin

Reconocimiento, Clasificacin interpretacin

Segmentacin basada en transiciones Segmentacin basada en modelos Segmentacin basada en homogeneidad

Segmentacin basada en Morfolgica Matemtica

Segmentacin basada en caractersticas

Segmentacin basada en caractersticas

Segmentacin por niveles de gris

Para separar por umbral, es til recurrir al histograma.

Segmentacin por Histograma:

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

Medimos la varianza conjunta:

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

Puede mejorarse la segmentacin realizando un preprocesado previo de la imagen.

Segmentac. por umbral

Segmentac. por umbral

Segmentacin basada en caractersticas

Segmentacin de imgenes en color

Segmentacion por umbral

Segmentacin basada en caractersticas

Anlisis por componentes principales

Clculo de la componente principal:

(1) Se calcula NlaMmedia de toda la imagen

(2) Se calcula la matriz de varianzas de color

(f (x, y ) f )(f (x, y ) f )

(3) Se calculan los autovalores y autovectores de dicha matriz

Ejemplo: Mano sobre tela

Histograma de la componente principal

Segmentacin basada en caractersticas

Segmentacin por agrupamiento

algoritmo de agrupamiento o clustering

|| v vi || < || v v j || j i; 1 i, j K v " se asigna al representante" vi

simulacin del algoritmo K-means

Si no se conoce el nmero de grupos, se procede iterativamente: Divisin de regiones

Ejemplo: Divisin sucesiva de regiones

Segmentacin basada en caractersticas

Segmentacin basada en texturas

n pixels con valor de gris x ) n pixels totales pu ( x ) i = 1,2,...

Momentos absolutos : mi = E[| u |i ] =

Momentos centrales : i = E[{u E[u ]} ] =

Momentos centrales absolutos : i = E[| u E[u ] |i ] = Entropa : H = E[ log 2 ( pu ( x))] =

Los momentos ms utilizados son:

Caractersticas relacionadas con el histograma de forma no lineal:

Moda extrae el valor de gris ms probable en el entorno localizado

Extraccin de caractersticas a partir de transformadas

Mscara H(u,v) En caso de utilizar la TF las mscaras ms habituales son:

Segmentacin basada en transiciones

A partir de la anterior definicin surgen dos tipos de detectores de bordes:

Implementacin en imgenes digitales

h(i, j) I (i + m, j + n) = I (m, n) * h(m,n)

Matlab: J = bwedge(I,mtodo); % deteccin de bordes en I con mtodo mtodo=sobel,prewitt,roberts,canny

1 1 1 1 1 0 0 0 0 N 1 0 1 NO 1 1 1 0 1 1 Mscara mayor resolucin en

Operadores de Laplace y cruces por cero (cont):

Matlab: H = fspecial('gaussian',hsize,sigma) H = fspecial(laplacian',alpha) H = fspecial(log',hsize,sigma) J=filter2(I,H)

Segmentacin basada en modelos

Segmentacin basada en modelos

Permiten localizar objetos Las proyecciones que ms interesan son:

Verticales: sumando los niveles de los pxeles de cada lnea vertical

Segmentacin basada en modelos

Transformada de Hough (TH)

Ventaja principal de la TH: