1

1

Procesamiento Digital de Imágenes 3

Profesor: Andrés Flores

2

Segmentación de Imágenes

� Una vez mejorada la imagen se procede a segmentar la imagen, lo cual permitirá que se pueda contar con tan sólo la porción que es de interés.� La parte o porción de la imagen de interés

puede ser p.ej:� La región de un determinado color o nivel de luz� Características del texto para un sistema OCR.� Forma de las células hepáticas.� Contornos de piezas

2

3

Aplicación de Visión por Computadora

� El reconocimiento estadístico de patronestiene, según Castleman (1996), tres componentes: � la segmentación de la imagen, � la extracción de características y � la clasificación .

� La segmentación de una imagen presenta una gran relevancia, puesto que de la calidad del resultado depende el desempeño de los otros dos pasos.

4

Segmentación de Imágenes

� Consiste en extraer de una imagen la información deseada. � El objetivo es dividir la imagen en partes que

tienen una fuerte correlación con objetos o áreas del mundo real.� Se busca en la imagen aquellas

características que definan al objeto que se desea encontrar.

3

5

Propiedades

� La segmentación se basa en tres propiedades:� Similitud. Cada uno de los píxeles de un

elemento u objeto tienen valores parecidos para alguna propiedad.� Discontinuidad. Los objetos destacan del entorno

y tienen por tanto bordes definidos.� Conectividad. Los píxeles pertenecientes al

mismo objeto tienen que ser contiguos, es decir deben estar agrupados.

6

Algoritmos

� Los diferentes algoritmos se pueden clasificar en:� Detección de Contornos� Detección de puntos� Detección de líneas� Detección de bordes

� Umbralización

4

7

Detección de Contornos

� Se reduce la imagen inicial al contorno de los objetos que contiene y esto se emplea para el reconocimiento de objetos o de características, empleando algoritmos de mayor complejidad. � Se procede usando la convolución

bidimensional escogiendo el kernelcorrespondiente

8

Detección de Puntos

� Se emplea tanto para la eliminación de ruido como para el análisis de partículas en escenas. En general se emplea un filtrado de máscara (kernel):

5

9

10

Detección de Líneas

� Las siguientes máscaras logran que se responda fuertemente a líneas en distintas orientaciones:

6

11

12

Detección de bordes

� Un borde es una frontera entre 2 propiedades diferentes de los niveles de gris. � Normalmente se utilizan operadores similares a la

derivada. � La primera derivada es cero en todos los niveles

excepto cuando hay transiciones de niveles de gris (donde comienzan y terminan). � La magnitud de la primera derivada dice si el pixel

está en lo oscuro (fondo) o claro (objeto). El signo de la segunda derivada es positivo en el borde oscuro y negativo en el claro.

7

13

Diversos kernels

� Operador Laplaciano� Operador de Sobel� Operador de Prewitt� Operador de Marr-Hildreth

14

Operador de Sobel

� Aprovechan el hecho de que si se calculan las derivadas en dos direcciones y se combinan como la raíz cuadrada de la suma de cuadrados, se obtiene un resultado independiente de la orientación.

8

15

� La forma general de las máscaras de Sobelpara las direcciones verticales y horizontales es:

16

9

17

Umbralización (Thresholding)

� Se realiza para separar objetos contrastados respecto al fondo.� Se asignan los valores superiores a un

umbral al objeto y los valores abajo del umbral como fuera del objeto. � Este manejo del umbral se puede hacer de

manera global si el fondo está bien contrastado y todos los objetos tienen valores semejantes.

18

Algoritmo

� Sea f(x,y) una imagen.� si f(x,y)<T entonces f(x,y)=a� si no entonces f(x,y)=b. � Donde T es el umbral (threshold), el cual

debe determinarse.� La imagen obtenida es por lo general una

imagen binaria

10

19

Determinación del umbral

� Si la imagen tiene buen contraste el umbral puede establecerse en función del Histograma.� Mínimo entre máximos

Primer Modo

Segundo Modo

20

f(x,y)

g(x,y)

11

21

Umbral >100 Umbral >160 100<Umbral< 160

22

Selección Iterativa (Isodata)� El histograma es inicialmente segmentado en

dos partes utilizando un umbral inicial tal como la mitad del máximo valor del rango dinámico (128).� A continuación se calcula la media de los

valores asociados con cada una de las partes en que ha quedado segmentado el histograma m1, m2. � Utilizando esos valores se calcula un nuevo

valor umbral mediante el promedio Ridler, T.W. and S. Calvard, Picture thresholding using an iterative selection method. IEEETrans. on Systems, Man, and Cybernetics, 1978. SMC-8(8): p. 630-632.

12

23

Selección Iterativa (Isodata)

� El proceso se repite hasta que en dos pasos consecutivos el valor umbral calculado no cambia.� Una ecuación genérica que calcula el umbral

usando el histograma con este método sería:

24

Triangulo� Se construye una línea entre el

valor máximo del histograma (bmax) y el valor más bajo (bmin=(p=0)%). La distancia entre la línea y el histograma h(b) se calcula para todos los valores de b, desde b=bmin hasta b=bmax.

� El valor de luminosidad b0, donde la distancia entre h(b0) y la línea es máxima es el valor umbral elegido (b0). Esta técnica es muy efectiva cuando los pixels de los objetos producen un pico suave en el histograma.

Zack, G.W., W.E. Rogers, and S.A. Latt, Automatic Measurement of Sister ChromatidExchange Frequency. 1977. 25(7): p. 741-753.

13

25

Umbralización Adaptiva

� Cuando la imagen posee una iluminación no uniforme.� Se divide la imagen en varias partes y se

calculan varios umbrales.

26

14

27

Otros Algoritmos

� Método de Otsu� Entropía

28

Ejemplos de Umbralización

� http://micro.magnet.fsu.edu/primer/java/digitalimaging/processing/automaticthresholding/index.html