Download - Fase 3 - 3

Transcript

INTRODUCCION

SEGMENTACION DE IMAGENES

ANALISIS VS. PROCESAMIENTO

¿Porqué analizar imágenes?

Medidas que requieren estudiar un número demasiado elevado de imágenes.

Análisis cuantitativo:

La visión humana no cuantifica por sí sola.

El análisis automático es más repetitivo.

Reconstrucción de imágenes.

Visión de zonas ocultas al ojo humano.

Tareas repetitivas

HERRAMIENTAS DE ANALISIS

SEGMENTACION

División de la imagen en regiones u objetos.

Es una definición no muy establecida. Se habla de segmentación parcial o total.

SEGMENTACION

La segmentación es un paso imprescindible en diversos procesos de tratamiento de imagen. Entre otros, es necesaria para tomar medidas sobre una región, para realizar reconstrucciones tridimensionales de una zona de la imagen, para la clasificación o diagnóstico automático o para reducir la información de las imágenes.

Si de una serie de imágenes para un determinado estudio sólo nos interesa una región concreta podemos segmentarlas y almacenar sólo las regiones para el análisis posterior.

SEGMENTACION

Aplicaciones

Determinación de superficies y volúmenes.

Reconstrucción tridimensional.

Diagnóstico automático (detección de defectos en materiales, tejidos anómalos, células, etc.).

Reducción de información en transmisión, almacenamiento.

SEGMENTACION

Aunque con la vista, la detección de regiones pueda parecer una tarea sencilla, nos encontramos con una serie de dificultades a la hora de realizar la segmentación de una imagen.

Volumen parcial.

Artefactos.

Homogeneidad (textura).

Formas.

Ruido (señal/ruido o contraste/ruido).

Cambios de iluminación.

Conocimiento previo.

FORMAS DE SEGMENTACION

En cuanto al grado de interacción del usuario en el proceso de segmentación, estos se pueden clasificar en:

Manual: El usuario realiza la segmentación él mismo con la ayuda de una herramienta informática.

Automática: El ordenador realiza todo el proceso de forma automática.

Semi-automática o interactiva: El ordenador realiza el proceso, pero el usuario interviene en determinados momentos sobre el mismo para definir parámetros o corregir resultados. Es el método empleado generalmente.

SEGMENTACION MANUAL

Consiste en seleccionar manualmente las fronteras de las regiones que se desea segmentar, bien mediante el marcado de puntos de las mismas o usando algunas herramientas de apoyo más complejas.

Trazado: El usuario marca algunos puntos de la frontera. El resto son calculados automáticamente por interpolación u otros métodos (snakes).

Suele ser lenta y a veces se debe realizar sobre muchas imágenes (reconstrucción) se hace necesaria la automatización.

SEGMENTACION MANUAL

SEGMENTACION MANUAL

ESTRATEGIAS DE SEGMENTACION

Dentro de los métodos de segmentación clásicos aparecen tres grandes grupos, en función de la estrategia que empleen para realizar la segmentación:

Conocimiento global de toda la imagen o de una región: Si tenemos información sobre la región (nivel de gris de la misma, posición, textura), podemos detectarla directamente.

Métodos basados en bordes o fronteras. Buscamos las zonas de cambio de características entre dos regiones.

Métodos basados en regiones: Buscamos regiones homogéneas en cuanto a intensidad, textura , etc.

REGION MATCHING

Conociendo a priori la estructura de la zona que queremos segmentar, podemos buscarla directamente en la imagen.

En cada punto y para cada rotación del patrón, evaluamos un criterio de parecido.

Los puntos resultantes por encima de un umbral representan apariciones del patrón.

REGION MATCHING

La forma más sencilla de detección es la correlación o convolución, que se define de la forma siguiente:

En este caso, f(x) es la imagen y h(x) el objeto que se va a segmentar.

REGION MATCHING

En el ejemplo siguiente se pretende detectar el ojo de la gaviota en esta imagen.

A la derecha se observa el patrón del ojo. La correlación consiste en convolucionar el patrón con la imagen, obteniéndose valores elevados allí donde el patrón es similar a una región.

REGION MATCHING

En ocasiones y cuando la imagen tiene niveles de grises demasiado altos, los cuales tienden a mantenerse luego de la convolución, el proceso falla y tiende a desenfocar la imagen (filtrado paso bajo).

REGION MATCHING

La solución pasa por hacer una correlación normalizada dividiendo el resultado de la correlación por la intensidad total de los píxeles de la ventana.

El resultado ahora es óptimo.

REGION MATCHING

La primera imagen muestra el resultado de la normalización y la segunda el de la correlación aplicada, se puede notar que el ojo queda claramente destacado del resto de la imagen.

UMBRALIZACION DE NIVELES DE GRIS

La forma más sencilla de segmentar una imagen es en el caso de que los distintos objetos de caractericen por niveles de gris diferentes.

Para ello empleamos el histograma que, como ya sabemos, indica el número de puntos de la imagen que poseen un determinado nivel de gris.

Si se tiene una imagen sobre un fondo claramente distintos, el histograma presentará dos lóbulos claramente diferenciables.

El ruido dificulta la diferenciación de objetos en una imagen.

UMBRALIZACION DE NIVELES DE GRIS

UMBRALIZACION DE NIVELES DE GRIS

La umbralización a partir de histogramas consiste en elegir el punto de nivel de gris que separa los valores correspondientes al objeto y al fondo.

En el caso ideal en que el objeto posea un rango estrecho de niveles de gris frente a un fondo uniforme, podemos establecer un intermedio para separar objeto y fondo.

UMBRALIZACION DE NIVELES DE GRIS

Existen varios métodos para calcular el valor óptimo del umbral.

Ajuste del lóbulo principal. El umbral se calcula como el punto de corte con el eje de abscisas de una recta ajustada al lóbulo principal del histograma. La recta se traza desde el punto cuyo valor es el 90% del máximo del lóbulo hasta el punto de valor 33% del mismo.

UMBRALIZACION DE NIVELES DE GRIS

UMBRALIZACION DE NIVELES DE GRIS

Máxima distancia. El umbral es el punto del histograma más alejado de la cuerda que une el lóbulo principal del histograma y el extremo derecho del mismo.

Entropía: La entropía es un parámetro estadístico que mide la cantidad de información del histograma. A partir de ese parámetro, podemos obtener el umbral como el punto que maximiza las entropías a ambos lados del punto.

UMBRALIZACION DE NIVELES DE GRIS

Gradiente cero: El umbral se calcula como el primer punto, posterior al máximo del lóbulo principal, en el que el gradiente del histograma se hace cero.

Algoritmo Isodata: Este es un ejemplo de algoritmo iterativo. A partir de la primera estimación del umbral, se van recalculando los parámetros y nuevos umbrales sucesivamente.

UMBRALIZACION DE NIVELES DE GRIS

En las imágenes siguientes se presenta un ejemplo de umbralización de una imagen.

La primera imagen es la original.

A continuación se presenta el resultado de umbralizar a 50,100,150 y 200 respectivamente.

La última imagen es el resultado de umbralizar automáticamente, usando el método Isodata.

SEGMENTACION POR UMBRALIZACION

SEGMENTACION POR UMBRALIZACION

METODOS AVANZADOS

Hay algunos métodos más complejos para el calculo del umbral cuando trabajamos con imágenes muy ruidosas o con iluminación no uniforme, por ejemplo.

Antes de calcular el umbral, podemos filtrar el histograma (suavizado, mediana, etc.).

Se puede determinar el umbral por regiones o usar información de partes específicas de la imagen.

UMBRALIZACION POR REGIONES

Se divide la imagen en regiones.

En aquellas con histograma bimodal obtenemos un umbral.

Si en algunas regiones no se puede determinar el umbral por alguna razón (ruido, complejidad, etc.), interpolamos los umbrales de las zonas aledañas para obtener el umbral de la zona problemática.

UMBRALIZACION POR REGIONES

UMBRALIZACION POR CONTORNOS

Los puntos importantes a la hora de calcular un umbral son los cercanos a los bordes de los objetos, ya que estos representan la separación entre dos objetos y tienen una marcada diferencia en niveles de gris.

Para determinar los bordes se puede usar cualquiera de los métodos existentes.

UMBRALIZACION POR CONTORNOS