segmentacion 2014

Segmentacin

Javier Gonzlez Jimnez

Dep. de Ingeniera de Sistemas y Automtica

UNIVERSIDAD DE MLAGA

Segmentacin

Contenido

Introduccin

Tcnicas basadas en la Frontera

Tcnicas de Umbralizacin

Tcnicas basadas en Regiones

Mean-Shift

Segmentacin

1. Introduccin

Segmentacin

divide una imagen en regiones u objetos cuyos pxeles poseen atributos similares (niveles de grises, textura, etc.).

Segmentacin

1. Introduccin

Conceptualmente, cabe distinguir dos enfoques:

De arriba a abajo (Top down): Pxeles del mismo objeto fsico deben

estar en la misma regin

De abajo a arriba (Bottom up): Pxeles parecidos deben estar en la

misma regin

La cebra un objeto!

Cada raya negra un objeto!

Segmentacin

1. Introduccin

La psicologa Gestalt establece propiedades que los humanos

empleamos para segmentar:

Segmentacin

1. Introduccin

Similitud, Proximidad,

Segmentacin

1. Introduccin

Esto es lo que se pretende

http://dags.stanford.edu/projects/scenedataset.html

Segmentacin

2. Tcnicas basadas en la Frontera

Persiguen el aislamiento de los objetos de la imagen mediante la

identificacin de los pxeles que configuran la frontera de estos.

Bordes de la imagen

lugares donde se produce un cambio significativo de los niveles de intensidad

con el gradiente, los contornos no salen cerrados (rudo, iluminacinno uniforme, etc.)

es necesario unir los bordes detectados!!

Dos tcnicas fundamentales:

Tcnicas locales

Tcnicas globales

{ LoG + pasos por ceroSeguimiento del Contorno Operador de CannyTransformada de Hough

Segmentacin


s=2

th=0.007

LoG + pasos por cero

s=2

th=0.001

Contornos abiertos

No-ruido

I = imread('rice.tif');

log = edge(I,'log',0.001,2);

figure, imshow(log)

EN MATLAB

Segmentacin


Detecta curvas en una imagen

Hough clsica: la curva se especifica mediante una ecuacin analtica

Hough generalizada: deteccin de curvas arbitrarias de las que no se dispone de su expresin analtica

Transformada de Hough

Segmentacin

3. Segmentacin por Umbralizacin

Suposicin: distintos objetos de la imagen presentan distintos niveles de gris

Imagen ideal(3 objetos)

HistogramaImagen

Imagen con

ruido

Segmentacin


Objetivo: encontrar umbrales Ti que separen agrupaciones de niveles de gris

Ejemplo:

L-1 nivelesentrada

nivelessalida

L-1

T

A

B

Aplicando

una LUT

Digital Image Processing 2002 R. C. Gonzalez & R. E. Woods

Segmentacin


El umbral puede depender de una serie de variables:

T = T[x, y, p(x,y), f(x,y)]

En muchas aplicaciones basta un nico umbral (i.e. objeto homogneo sobre fondo)

Coord.

del pxel Nivel de gris

T = T[ f(x,y)]

T = T[p(x,y), f(x,y)]

Umbral global

Umbral local

Umbral dinmico o

adaptativo

T = T[ x,y]

Propiedad

local del

pixel (x,y)

BINARIZACION

Segmentacin


La cuestin es dnde se coge el umbral! Mtodo de Otzu, mean-shift, umbral

ptimo, etc.

Ejemplo::

Nivel de gris A

T

y)g(x,

y)f(x, Ty)f(x,si

casootroenA


Segmentacin


Efecto de la iluminacin

+ =

Se puede segmentar por

umbralizacin

NO se puede segmentar

por umbralizacin

Fuente de luz NO uniforme


Segmentacin


Imagen original Umbralizacin global

Divisin de la imagen Umbralizacin adaptativa Digital Image Processing 2002 R. C. Gonzalez & R. E. Woods

Segmentacin


%Leemos imagen de prueba y calculamo su histo --> no hay manera de segmentar por umbral

im1=imread('rice.tif');

%Calculamos el fondo de la imagen

bg32=blkproc(im1,[32,32],'min(x(:))'); %fondo de bloques de 32x32 (imagen 8x8)

bg256=imresize(bg32,[256,256],'bicubic'); %se interpola la imagen de 8x8 para obtener una de 256x256

%Se lo quitamos a la imagen original y la realzamos para reestablecer el brillo y contraste

dif=double(im1)-double(bg256); %

dif_realzada=imadjust(uint8(dif),[0 max(dif(:))]./255,[0 1],1. ); %La realzamos

%OJO: hay que dividir por 255 para que este en el rango[0 1]

%Lo dibujamos todo

figure

subplot(2,3,1), imshow(im1), title('Imagen original')

subplot(2,3,4), imhist(im1); title('Histograma imagen original')

subplot(2,3,2), imshow(uint8(dif)); title('Imagen diferencia')

subplot(2,3,5), imshow(bg256); title('Imagen del fondo')

subplot(2,3,3), imshow(uint8(dif_realzada)); title('Im. dif. realzada')

subplot(2,3,6), imhist(uint8(dif_realzada)); title('Histo im. dif. realzada')

EN MATLAB: Sustraer fondo no homogneo

Segmentacin


Tipos de iluminacin

Cmara

Objeto

Fuentede luz

Retroiluminacin

Cmara

Iluminacin estructural

Segmentacin


Tipos de iluminacin

Cmara

Luz lser

Iluminacin direccional

Cmara

Fuentede luz

Iluminacin difusa

National Instruments

Segmentacin

4. Tcnicas basadas en Regiones

Idea: Agrupar pxeles parecidos: agrupar los pxeles de la imagen en regiones tal queAtributos para decidir si parecidos: intensidad, textura, color,

posicin, etc.

Source: K. Grauman

Ejemplo: color

Segmentacin


1. Se parte de un conjunto de puntos semillas a los que se les van

aadiendo pxeles vecinos que poseen propiedades similares

2. Si se usan n semillas, al final se podr obtener una segmentacin

con un mximo de n regiones, adems del fondo.

Crecimiento de regiones

1. Tomar p como semilla inicial de crecimiento.

2. Si el criterio de seleccin se cumple para "p", entonces aadir "p a la

regin de crecimiento.

3. Para cada vecinos de "p" (pi) que est fuera de la regin:

p = pi

Ir a 2

Algoritmo

Segmentacin



0 0 5 6 7

1 1 5 8 7

0 1 6 7 7

2 0 7 6 6

0 1 5 6 5

0 0 5 6 7

1 1 5 8 7

0 1 6 7 7

2 0 7 6 6

0 1 5 6 5

Predicado:

diferencia de color

menor que 3

0 0 5 6 7

a a b b b

a a b b b

a a b b b

0 1 5 6 5

a a b b b

a a b b b

a a b b b

a a b b b

a a b b b

0 0 5 6 7

1 1 5 8 7

0 1 6 7 7

2 0 7 6 6

0 1 5 6 5

Predicado: diferencia

de color menor que 8

0 0 5 6 7

a a a b b

a a a b b

a a a b b

0 1 5 6 5

a a a a b

a a a b b

a a a b b

a a a b b

a a a a b

Depende de la implementacin!!

Segmentacin



Esta tcnica plantea dos problemas fundamentales:

1. la eleccin de las semillas que pueden representar las regiones de

inters.

Textura: Requieren imgenes con elevada resolucin.

Niveles de gris: Se suele tener en cuenta la intensidad media actualizada de laregin (media dinmica ), as como la dispersin de sta (desviacin tipica de las

intensidades).

Niveles de grises ms localizacin: La agregacin de un pxel no depende slode su intensidad sino que tambin influye la proximidad o cercana del pxel a la

semilla.

2. la seleccin de las propiedades para la inclusin de pxeles en cada regin.

se suele basar en la naturaleza del problema,

requiere algn tipo de informacin previa de las regiones a segmentar.

Segmentacin

4. Tcnicas basadas en RegionesM

odelo

de

localiz

acio

ndel pelo

Imagen original

Cabeza

segmentada Pelo segmentado

Ejemplo: para tener coherencia espacial debemos imponer

algn atributo espacial


Segmentacin


Algoritmo general:

1. Se escogen K medias iniciales

2. Se crean K clusters (regiones) asociando cada punto con su

media mas cercana.

3. Los centroides de los K clusters son las nuevas medias.

4. Repetir pasos 2 y 3 hasta convergencia

Ejemplo K=3

K-medias (K-means)

(Wikipedia)

Segmentacin


K-medias (K-means)

Parecido a crecimiento de regions, pero

En cada iteracin se clasifican todos los pixeles de laimagen, no slo los vecinos

Termina cuando los centros de las regiones no se mueven(frente a "no ms pixeles que aadir")

Ilustracin interactiva:

http://home.dei.polimi.it/matteucc/Clustering

/tutorial_html/AppletKM.html

Segmentacin


Algoritmo K-medias para segmentacin

1. Escoger K pxeles de la imagen (manualmente, aleatoriamente, heurstico,

etc.) y tomarlos como representativos de las K regiones asociadas

2. Asignar cada pxel de la imagen a la regin ms parecida (de acuerdo con la

medida de distancia)

3. Actualizar las caractersticas de cada regin con la media de los nuevos

pxeles asignados

4. Repetir pasos 2 y 3 hasta que ningn punto cambie de regin (convergencia).

5. Unir regiones conectadas si son similares.

Representar cada pxel de la imagen con un vector de color, intensidad, textura, posicin, etc.

Definir una medida de distancia en ese espacio (del vector anterior)

Segmentacin


K-medias: Ejemplo Matlab

im = rgb2gray(imread('torre_monica.jpg')); % Gray scale image

figure,subplot(1,2,1),imshow(im),title('Imagen original')

nPixels = prod(size(im));

data = reshape(im, 1,nPixels ); %Image as a vector (just one feature)

pert = kmeans(double(data), 2); % Two clases

clus=reshape(pert, size(im)); %Vector Image back to a matrix

im_clust=uint8(255*clus/max(max(clus)));

subplot(1,2,2), imshow(im_clust), title('Imagen segmentada')

Segmentacin


K-medias. Ejemplo color

050

100150

200250 300

0

50

100

150

200

250

300

0

100

200

300

RED

Segmented objects in the RGB space

GREEN

BLU

E

data =

p

p

p

BBB

GGG

RRR

21

21

21

Pxels de la imagen

Caractersticas

del pxel R

G

B2 clusters en el

espacio RGB

Objeto 1

Objeto 2

Segmentacin


K-medias

Normalmente, slo color no garantiza

grupos espacialmente localizados

Necesario alguna

propiedad espacial

p.e valores (r,g,b,x,y)

Segmentacin


K-medias

Pros

Simplicidad

Convergencia a mnimo local (no garantia de

convergencia minimo global)

Cons

Alto uso de memoria

Hay que fijar K

Sensible a inicializacion

Sensible a outliers

Asume clusters esfricos

Segmentacin


Divisin y fusin de regiones

Algoritmo

se basa en la subdivisin inicial de la imagen en un conjunto de

regiones arbitrarias y disjuntas

1. Sea R0 la regin inicial, constituida por la imagen completa;

2. Seleccionar un predicado P;

3. Para toda regin Ri, tal que, P(Ri) = FALSE: Subdividir Ri en cuatro

cuadrantes disjuntos;

4. Fusionar cualquier par de regiones adyacentes Rj y Rk, para las que se

verifique P(RjURk) = TRUE;

5. Si existen ms regiones para fusionar o dividir entonces ir a 3, si no, parar;

Segmentacin



R41 R42

R43 R44

R3

R1 R2

R1 R2 R3 R4

R41 R42 R43 R44

R

DivisinFusin

Segmentacin



En MATLAB: qtdemo

Segmentacin

5. Mean Shift

Como funciona

Mean shift = Desplazamiento de la media

Idea: cualquier punto en la cuenca de atraccin de la modapertenece al cluster que define esa moda

El proceso siempre

converge !

Segmentacin

5. Mean Shift

Se considera que las caractersticas siguen funciones de

densidad de probabilidad (p.d.f).

Regiones con alta densidad = mximos locales de p.d.f =

MODAS de densidad conocida.

Mean Shift detecta estas modas

Cada uno de estos puntos

son las caractersticas (2

en este caso) de cada

pxel de la imagen.

Si tuviramos una sla

caracteristica discreta y

finita (p.e. intensidad)

tendramos un histograma

Segmentacin

5. Mean Shift

Cuencas de atraccin:

regin en la la trajectoria del mean-shift de sus puntosconvergen a una misma moda

Ejemplo: Dos cuencas de atraccin:

Segmentacin

Seleccionar caractersticas de los pixels (color, gradiente,

posisin, textura, etc.)

Lanzar mean-shift para cada punto del espacio de

caractersticas (es decir, para cada pixel)

Formar clusters con todos los puntos que convergen a la

misma (o muy similar) moda.

Algoritmo

5. Mean Shift

Segmentacin

Ejemplo

5. Mean Shift

Segmentacin

http://www.caip.rutgers.edu/~comanici/MSPAMI/msPamiResults.html

5. Mean Shift

Ejemplo

segmentacion 2014

Documents

Transcript of segmentacion 2014