PONTIFICIA UNIVERSIDAD CATLICA DEL ECUADOR

SEDE IBARRA

ESCUELA DE INGENIERA

1. DATOS INFORMATIVOS

1.1 Nombre: Marcos Stalin Ruales Ayala

1.2 Carrera: Sistemas
1.3 Tema: PROCESAMIENTO DE IMAGENES.
1.4 Fecha: 27/11/2017.

2. DESCRIPCION
 COMO CONSISTE EL PROCESO DE SEGMENTACION EN OTRA HERRAMIENTA QUE NO
SEA MATLAB.

El anlisis de imgenes comprende todos los mtodos y tcnicas que se utilizan para
extraer informacin de una imagen. El primer paso para ello lo constituye la
segmentacin de imgenes que se ocupa de descomponer una imagen en sus partes
constituyentes, es decir, los objetos de inters y el fondo, basndose en ciertas
caractersticas locales que nos permiten distinguir un objeto del fondo y objetos entre
si. La mayora de las imgenes estn constituidas por regiones o zonas que tienen
caractersticas homogneas (nivel de gris, textura, momentos, etc.). Generalmente
estas regiones corresponden a objetos de la imagen. La segmentacin de una imagen
consiste en la divisin o particin de la imagen en varias zonas o regiones homogneas
y disjuntas a partir de su contorno, su conectividad, o en trminos de un conjunto de
caractersticas de los pxeles de la imagen que permitan discriminar unas regiones de
otras. Los tonos de gris, la textura, los momentos, la magnitud del gradiente, la
direccin de los bordes, las modas de los tonos de gris en ventanas 3x3, 7x7 y 15x15,
etc., son caractersticas a utilizar para la segmentacin. Distinguiremos entre
segmentacin completa, cuando las regiones disjuntas corresponden directamente a
objetos de la imagen y segmentacin parcial, cuando las regiones no se corresponden
directamente con objetos de la imagen. Para conseguir la segmentacin completa se
necesita un nivel superior de conocimiento que utiliza un conocimiento especfico del
dominio de la escena. Este conocimiento de nivel superior puede ser, por ejemplo, que
los objetos de la imagen corresponden a caracteres numricos o letras de un alfabeto.

Demostracin del algoritmo estndar.

Deteccin de bordes[editar]
La deteccin de bordes es un campo bien desarrollado por s mismo en el procesamiento de
imgenes. Los lmites de regiones y los bordes estn estrechamente relacionados, ya que a
menudo hay un fuerte ajuste en la intensidad en los lmites de las regiones. Las tcnicas de
deteccin de bordes pueden ser usadas como otra tcnica de segmentacin ms. Los bordes
identificados por la deteccin de bordes en ocasiones estn desconectados. Para segmentar un
objeto a partir de una imagen, sin embargo, es necesario que los bordes formen figuras
cerradas.
Mtodos de crecimiento de regiones[editar]
El primer mtodo de crecimiento de regiones fue el mtodo de crecimiento de regiones a
partir de semillas. Este mtodo toma un conjunto de semillas como entrada junto con la
imagen. Las semillas marcan cada uno de los objetos que tienen que ser segmentados. Las
regiones crecen iterativamente mediante la comparacin de todos los pxeles vecinos no
asignados a ninguna regin. La diferencia entre el valor de la intensidad de un pixel y el de la
media de la regin, , se utiliza como una medida de similitud. Cada pixel se asigna a la regin
con la que su diferencia con la media es menor, de esta forma todos los pixeles se asignan a
sus respectivas regiones. Este proceso contina hasta que todos los pixeles tienen asignada
una regin. El mtodo de crecimiento de regiones por semillas requiere semillas como entrada
adicional. Los resultados de la segmentacin dependen de la eleccin de las semillas. El ruido
en la imagen puede hacer que las semillas queden mal colocadas. El mtodo de crecimiento de
regiones sin semillas es un algoritmo modificado que no requiere semillas explcitas. Comienza
con una nica regin A1 - el pxel elegido aqu no influyen significativamente en la
segmentacin final. En cada iteracin se considera los pxeles vecinos de la misma manera que
con el algoritmo anterior. Se diferencia del algoritmo el mtodo de crecimiento de regiones a
partir de semillas en que si el mnimo es menor que un umbral predefinido T entonces se
agrega a la regin respectiva Aj. Si no, entonces el pxel se considera significativamente
diferente de todas las actuales regiones Ai y se crea una nueva regin An + 1 con ese pxel. Una
variante de esta tcnica, propuesta por Haralick y Shapiro (1985), se basa en la intensidad de
pxel. La media y la dispersin de una regin y la intensidad del pxel candidato se utiliza para
calcular un test estadstico. Si la prueba estadstica es suficientemente pequea, el pxel se
aade a la regin, y la media de la regin y de dispersin se vuelven a calcular. De lo contrario,
el pxel es rechazado, y se utiliza para formar una nueva regin.

Mtodo del conjunto de nivel[editar]

La propagacin de curvas es una tcnica popular en el anlisis de imgenes para la extraccin
de objetos, seguimiento de objetos, la reconstruccin en 3D, etc. La idea central de este
enfoque consiste en desarrollar una curva hacia el menor potencial de una funcin de coste
que en su definicin refleja la tarea a la que est dirigida e impone ciertas limitaciones de
suavidad. Las tcnicas de Lagrange se basan en la parametrizacin del contorno de acuerdo
con alguna estrategia de muestreo y luego desarrollar cada elemento de acuerdo a la imagen y
sus condiciones internas. Si bien esta tcnica puede ser muy eficiente, tambin sufre varias
limitaciones, como decidir sobre la estrategia de muestreo, la estimacin de las propiedades
geomtricas internas de la curva, el cambio de su topologa, abordar los problemas de
dimensiones superiores, etc. En cada caso, una ecuacin en derivadas parciales llamada la
ecuacin del conjunto de nivel es resuelto por diferencia finita. El mtodo del conjunto de
nivel fue propuesto inicialmente para realizar un seguimiento de interfaces mviles por Osher
y Sethian en 1988 y se ha diseminado a travs de varios dominios de imgenes a finales de los
noventa. Se puede utilizar para hacer frente de manera eficiente al problema de la
propagacin de la curva/superficie/etc. de una manera implcita. La idea central consiste en
representar la evolucin del contorno usando una funcin con signo, donde su nivel cero
corresponde al contorno actual. Entonces, de acuerdo a la ecuacin de movimiento de las
curvas de nivel, se puede obtener fcilmente un flujo similar de la superficie implcita que
cuando se aplica al nivel de cero reflejar la propagacin del contorno. El mtodo del conjunto
de nivel tiene numerosas ventajas: es implcito, no tiene parmetros, ofrece una manera
directa para estimar las propiedades geomtricas de la estructura que evoluciona, puede
cambiar la topologa y es intrnseco. Adems, pueden utilizarse para definir un marco de
optimizacin como el propuesto por Zhao, Merriman y Osher en 1996. Por lo tanto, se puede
concluir que es un marco muy conveniente para hacer frente a numerosas aplicaciones de
visin artificial y anlisis de imgenes mdicas. Adems, la investigacin en varias estructuras
de datos para representar los conjuntos de nivel ha dado lugar a implementaciones muy
eficientes de este mtodo.

Mtodos de particionamiento grfico[editar]

Los mtodos de particionamiento grfico se pueden usar con eficacia en la segmentacin de
imgenes. En estos mtodos, la imagen se modela como un grafo ponderado no dirigido. Por
lo general, un pixel o un grupo de pixeles se asocian con los nodos y los pesos de las aristas
definen la similitud entre los pxeles vecinos. El grfico (imagen) se divide de acuerdo a un
criterio de diseo para modelar "bien" los clusters. Cada una de las particiones de nodos
(pixeles) da como salida de estos algoritmos los objetos segmentados que hubiese en la
imagen. Algunos algoritmos populares de esta categora son cortes normalizados, camino
aleatorio, el mnimo corte, particionamiento isoperimtrico y rboles de expansin mnima.