Tema5-2 SegmentacionRegionesUmbralizacion

Tema 5: SEGMENTACIN (II)
INGENIERA INFORMTICA
Tema 5: Segmentacin
2
Los algoritmos de segmentacin se basan en propiedades bsicas de

los valores del nivel de gris:
- Discontinuidad: Los bordes de las regiones son

suficientemente diferentes del fondo lo que permite la
deteccin de los mismos basndonos en cambios bruscos de
nivel de intensidad.
- Similitud: Se divide la imagen basndose en la bsqueda de

zonas que tengan valores similares, conforme a unos criterios
prefijados.
- Umbralizacin: Un mtodo bsico para diferenciar un

objeto del fondo de la imagen es mediante binarizacin (en
realidad se puede considerar una medida de similitud).
5.2. Similitudes
3
- CRECIMIENTO DE REGIONES
- DIVISIN Y FUSIN DE REGIONES
- UMBRALIZACIN
Tema 5: Segmentacin de imgenes
Crecimiento de regiones.
4
Crecimiento de regiones
Es un procedimiento que agrupa los pxeles o subregiones de la

imagen en regiones mayores basndose en un criterio prefijado.
Normalmente se empieza con unos puntos semillas para formar

una determinada regin, aadiendo aquellos pxeles vecinos que
cumplan la propiedad especificada (por ejemplo, que estn en un
rango de nivel de gris determinado).
La propiedad considerada en el crecimiento de regiones debe tener

en cuenta la informacin sobre conectividad o adyacencia de la
imagen.
Otro factor importante es la condicin de parada.

5
Sea f(x,y) la imagen de entrada; S(x,y) la matriz semilla conteniendo

unos en las localizaciones de los pxeles semilla y ceros en el resto; y
Q un predicado para ser aplicado en cada posicin (x,y). Asumimos
que f y S con matrices del mismo tamao.
Un algoritmo de crecimiento de regiones basado en la 8-

conectividad consiste en:
1. Encuentra todas las componentes conexas en S(x,y) y

erosiona cada componente conexa a un pixel; etiqueta todos los
pxeles encontrados con unos y el resto de pxeles con ceros.
2. Forma una imagen fQ tal que, fQ(x,y)=1 si la imagen f

satisface el predicado en la posicin (x,y); en caso contrario
fQ(x,y)=0.
6
Sea f(x,y) la imagen de entrada; S(x,y) la matriz semilla conteniendo

unos en las localizaciones de los pxeles semilla y ceros en el resto; y
Q un predicado para ser aplicado en cada posicin (x,y). Asumimos
que f y S con matrices del mismo tamao.
Un algoritmo de crecimiento de regiones basado en la 8-

conectividad consiste en:
3. Sea g una imagen formada anexando a cada pixel semilla de

S todos los pxeles 8-conexos tales que fQ = 1.
4. Etiqueta cada componente conexa de g (1, 2, 3, ). La

imagen resultante es la imagen segmentada usando
crecimiento de regiones.
7
Imagen Histograma Puntos semilla: puntos

con valor de intensidad 255
Criterios para aumentar una regin:
1. Puntos tal que la diferencia en valor

absoluto con un pxel semilla sea menor que
65.
Resultado de erosionar cada
2. 8-adyacencia con algn pxel de la regin.
componente conexa a un pixel
8
Imagen Resultado de la Borde de las regiones

segmentacin segmentadas
Divisin y fusin.
9
Divisin y fusin
Se subdivide la imagen inicialmente en un conjunto de regiones

disjuntas, dentro de las cuales, se volver a realizar una subdivisin o
bien una fusin entre ellas, dependiendo de si se verifican las
condiciones prefijadas.
Divisin y fusin.
10
Se subdivide la imagen inicialmente en un conjunto de regiones

disjuntas, dentro de las cuales, se volver a realizar una subdivisin o
bien una fusin entre ellas, dependiendo de si se verifican las
condiciones prefijadas.
La estructura ms usada es la de rbol cuaternario.

Divisin y fusin.
11
Paso 1: Se define un test de homogeneidad.
Paso 2: Se subdivide la imagen en los cuatro cuadrantes disjuntos.
Paso 3: Se calcula la medida de homogeneidad para cada cuadrante.
Paso 4: Si una regin no verifica la condicin, se vuelve a subdividir

y se repite el proceso hasta que todas las regiones pasan el test de
homogeneidad.
Paso 5: Se fusionan dos regiones adyacentes si la condicin de

homogeneidad se verifica para la unin de las mismas.
Divisin y fusin.
12
Objetivo: Segmentar la zona de

menor densidad alrededor de la
masa central.
Test de homogeneidad: La
media de los valores de la regin
tiene que ser menor que un cierto
valor m (m=125) y la desviacin
tpica mayor que otro valor s
Imagen de (s=10).
566x 566 pxeles
Divisin y fusin.
13
Imagen de Resultado limitando las

566x 566 pxeles subregiones ms pequeas
permitidas a 32 x 32
Divisin y fusin.
14

permitidas a 16 x 16
Divisin y fusin.
15

permitidas a 8 x 8
5.3. Umbralizacin
16
Umbralizacin.
17
Un mtodo bsico para diferenciar un objeto del fondo de la imagen es

mediante binarizacin.
A travs del histograma obtenemos una grfica donde se muestran el

nmero de pxeles por cada nivel de gris que aparece en la imagen.
Umbralizacin.
18
Caso 1: Histograma de una imagen f(x,y) con un objeto claro sobre un

fondo oscuro (o viceversa). Este es el caso ms sencillo, basta elegir un
umbral dentro de los niveles de grises, de tal forma que el histograma
forme un valle en ese nivel. Todos los niveles de grises menores al
umbral calculado se convertirn en negro y todos los mayores en
blanco.
Umbralizacin.
19
Caso 1: Histograma de una imagen f(x,y) con un objeto claro sobre un

fondo oscuro (o viceversa). Este es el caso ms sencillo, basta elegir un
umbral dentro de los niveles de grises, de tal forma que el histograma
forme un valle en ese nivel. Todos los niveles de grises menores al
umbral calculado se convertirn en negro y todos los mayores en
blanco.
Umbral T=100
Umbralizacin.
20
Caso 2: Histograma de una imagen f(x,y) con dos objetos claros sobre
un fondo oscuro. Este caso no es tan sencillo como el anterior. La
imagen segmentada vendra dada por:
Umbralizacin.
21
Umbralizacin global:
Cuando los niveles de intensidad de los objetos y del fondo son

suficientemente distintos, es posible segmentar la imagen usando
un umbral global aplicable a toda la imagen.
Cmo elegir el umbral adecuado?
- Algoritmo ISODATA.
- Mtodo de los dos picos.
- Mtodo de Otsu.
Umbralizacin.
22
Umbralizacin global: algoritmo ISODATA
El siguiente algoritmo iterativo pude ser usado para estimar

automticamente el umbral adecuado:
1. Estima un valor umbral inicial T.

2. Segmenta la imagen usando dicho valor umbral T: G1 = pxeles
con intensidad > T y G2 = pxeles con intensidad T.
3. Calcula la media de intensidad m1 y m2 de los grupos G1 y G2,
respectivamente.
1
4. Calcula un nuevo valor umbral: = (1 + 2 )
2
5. Repite los pasos del 2 al 4 hasta que la diferencia entre los
valores T en sucesivas iteraciones sea ms pequea que un
parmetro predefinido T.
Umbralizacin.
23
- Umbral inicial T=media de intensidad

- T = 0
- Umbral final = 125.4 despus de 3 iteraciones del
mtodo
Umbralizacin.
24

Umbralizacin.
25
Umbralizacin global: mtodo de los dos picos
- Si el histograma muestra al menos dos picos, el valor umbral

ms apropiado suele ser (segn se ve en la prctica) el menor
valor entre esos dos picos del histograma.
- Seleccionar el umbral consiste en:
1. Encontrar los dos picos ms altos.
2. Encontrar el menor valor entre ellos.

Umbralizacin.
26
- Encontrar el primer pico es fcil (corresponde al nivel de gris

en el que el histograma alcanza el mayor valor).
- El segundo pico es ms difcil de encontrar, ya que el segundo

valor ms grande del histograma podra ser, por ejemplo, el que
est ms a la derecha del mayor, en vez de ser el segundo pico.
Umbralizacin.
27
- Una manera simple que suele funcionar para encontrar el

segundo pico es multiplicar los valores del histograma por el
cuadrado de la distancia al primer pico y tomar el mximo.
max [ (k - f)2 * h(k) ], 0 k 255
donde k en el nivel de gris considerado, h(k) el valor del

histograma en k y f el nivel de gris del primer pico ms alto.
- Problema: muy sensible al ruido.

Umbralizacin.
28

Umbralizacin.
29
Umbralizacin global: mtodo de Otsu
- El mtodo de Otsu, llamado as en honor a Nobuyuki

Otsu que lo invent en 1979, utiliza tcnicas estadsticas, para
resolver el problema. En concreto, se utiliza la varianza, que es
una medida de la dispersin de valores (en este caso se trata de
la dispersin de los niveles de gris).
- Objetivo: calcular el valor umbral de forma que la dispersin

dentro de cada clase sea lo ms pequea posible, pero al mismo
tiempo la dispersin sea lo ms alta posible entre clases
diferentes.
Umbralizacin.
30
- Paso 1: Computar el histograma normalizado de la imagen.
f(x,y)=imagen M x N;
{0,1,2,,L-1} = niveles de gris de la imagen;
ni=nmero de pxeles con nivel de intensidad i;

= = probabilidad de que ocurra el nivel de

intensidad i.
Umbralizacin.
31
- Paso 2: Computar las sumas acumulativas P1(k), k=0,1,, L-1.

1 = =0
Si fijsemos un valor umbral T en el nivel de intensidad k (T=k),

dividiramos el conjunto de pxeles de la imagen en dos clases:
C1 = pxeles con nivel de intensidad en [0,k]

C2 = pxeles con nivel de intensidad en [k+1,L-1]
Entonces, 1 indica la probabilidad de que un pixel

pertenezca a la clase C1 (probabilidad de que ocurra la clase C1).
Umbralizacin.
32
- Paso 3: Computar las medias acumulativas m(k), k=0,1,, L-1.

= =0
- Paso 4: Computar la media global mG.
=
=0
Umbralizacin.
33
- Paso 5: Computar la varianza entre clases
2 1 () 2
=
1 11 ()
Este valor mide la dispersin entre los valores de intensidad de

las dos clases C1 y C2 definidas al tomar como valor umbral el
valor de intensidad k.
Umbralizacin.
34
- Paso 6: Maximizar la varianza anterior
= max 2 ()
0 1
Este paso persigue el objetivo inicial, dispersar lo mximo posible

los niveles de intensidad de las dos clases.
Si el mximo no es nico, definir como la media de todos los

mximos posibles.
Umbralizacin.
35
- Paso 7: Obtener la medida de separabilidad
2 ( )
=
2
Es decir, cociente entre la varianza de clases y la varianza global.
Como la varianza global es constante, mientras mayor diversidad

de niveles de intensidad haya entre las clases, mayor ser esta
medida.
Umbralizacin.
36
(Isodata)
Umbralizacin.
37
Umbralizacin mltiple:
- El mtodo de Otsu puede ser extendido a un nmero arbitrario

de clases.
- Por ejemplo, para tres clases, los dos umbrales seran 1 y 2

tales que maximizan la varianza entre clases, es decir,
2 ( 1, 2) = max 2 (1, 2)
0<1<2<1
- Entonces, la imagen segmentada viene dada por:

Umbralizacin.
38
Umbralizacin mltiple:
Umbralizacin.
39
Umbralizacin variable o adaptativa:
- Factores como el ruido o una deficiente iluminacin en la

imagen, hacen que no sea conveniente el uso de uno o varios
umbrales globales para toda la imagen.
- Dos tcnicas para elegir umbrales variables:
- Particin de la imagen
- Propiedades locales de la imagen

Umbralizacin.
40
Umbralizacin variable: particin de la imagen
- Es uno de los mtodos ms simples para elegir umbrales

variables. Muy til para compensar problemas de iluminacin en
la imagen.
- Consiste en dividir la imagen en rectngulos de un

determinado tamao de tal forma que la iluminacin en cada
uno de ellos sea uniforme.
Umbralizacin.
41

Umbralizacin.
42

Umbralizacin.
43
Umbralizacin variable: propiedades locales
- Este mtodo consiste en calcular un umbral para cada pixel de

la imagen (x,y) basndose en una o ms propiedades especficas
computadas en un entorno de vecindad Sxy del pixel.
- Por ejemplo: desviacin tpica xy y media mxy de Sxy. Dos

formas comunes de umbrales para este caso son:
= +
donde a y b son constantes no negativas y
= +
Umbralizacin.
44
- La imagen segmentada es computada como:

Umbralizacin.
45
- La imagen segmentada es computada como:
- Es posible complicar el mtodo usando predicados basados en

los parmetros calculados en la vecindad del pixel (x,y).
Por ejemplo:
Umbralizacin.
46

Umbralizacin.
47
PARAR PRACTICAR:
Image Processing lab software

Tema5-2 SegmentacionRegionesUmbralizacion

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tema5-2 SegmentacionRegionesUmbralizacion

Caricato da

Copyright:

Formati disponibili

Tema 5: SEGMENTACIN (II)

Los algoritmos de segmentacin se basan en propiedades bsicas de

- Discontinuidad: Los bordes de las regiones son

- Similitud: Se divide la imagen basndose en la bsqueda de

- Umbralizacin: Un mtodo bsico para diferenciar un

- DIVISIN Y FUSIN DE REGIONES

Es un procedimiento que agrupa los pxeles o subregiones de la

Normalmente se empieza con unos puntos semillas para formar

La propiedad considerada en el crecimiento de regiones debe tener

Otro factor importante es la condicin de parada.

Sea f(x,y) la imagen de entrada; S(x,y) la matriz semilla conteniendo

Un algoritmo de crecimiento de regiones basado en la 8-

1. Encuentra todas las componentes conexas en S(x,y) y

2. Forma una imagen fQ tal que, fQ(x,y)=1 si la imagen f

Sea f(x,y) la imagen de entrada; S(x,y) la matriz semilla conteniendo

Un algoritmo de crecimiento de regiones basado en la 8-

3. Sea g una imagen formada anexando a cada pixel semilla de

4. Etiqueta cada componente conexa de g (1, 2, 3, ). La

Imagen Histograma Puntos semilla: puntos

Criterios para aumentar una regin:

1. Puntos tal que la diferencia en valor

Imagen Resultado de la Borde de las regiones

Se subdivide la imagen inicialmente en un conjunto de regiones

Se subdivide la imagen inicialmente en un conjunto de regiones

La estructura ms usada es la de rbol cuaternario.

Paso 1: Se define un test de homogeneidad.

Paso 2: Se subdivide la imagen en los cuatro cuadrantes disjuntos.

Paso 3: Se calcula la medida de homogeneidad para cada cuadrante.

Paso 4: Si una regin no verifica la condicin, se vuelve a subdividir

Paso 5: Se fusionan dos regiones adyacentes si la condicin de

Objetivo: Segmentar la zona de

Imagen de Resultado limitando las

Imagen de Resultado limitando las

Imagen de Resultado limitando las

Un mtodo bsico para diferenciar un objeto del fondo de la imagen es

A travs del histograma obtenemos una grfica donde se muestran el

Caso 1: Histograma de una imagen f(x,y) con un objeto claro sobre un

Caso 1: Histograma de una imagen f(x,y) con un objeto claro sobre un

Cuando los niveles de intensidad de los objetos y del fondo son

Cmo elegir el umbral adecuado?

- Mtodo de los dos picos.

Umbralizacin global: algoritmo ISODATA

El siguiente algoritmo iterativo pude ser usado para estimar

1. Estima un valor umbral inicial T.

Umbralizacin global: algoritmo ISODATA

- Umbral inicial T=media de intensidad

Umbralizacin global: algoritmo ISODATA

Umbralizacin global: mtodo de los dos picos

- Si el histograma muestra al menos dos picos, el valor umbral

- Seleccionar el umbral consiste en:

1. Encontrar los dos picos ms altos.

2. Encontrar el menor valor entre ellos.

Umbralizacin global: mtodo de los dos picos

- Encontrar el primer pico es fcil (corresponde al nivel de gris

- El segundo pico es ms difcil de encontrar, ya que el segundo

Umbralizacin global: mtodo de los dos picos

- Una manera simple que suele funcionar para encontrar el

max [ (k - f)2 * h(k) ], 0 k 255

donde k en el nivel de gris considerado, h(k) el valor del

- Problema: muy sensible al ruido.

Umbralizacin global: mtodo de los dos picos

Umbralizacin global: mtodo de Otsu

- El mtodo de Otsu, llamado as en honor a Nobuyuki