“Detección automática de los

colores esenciales en
una imagen digital”
“Detección automática de los
colores esenciales en
una imagen digital”

Ing. Sergio A. Márquez

De Silva
-------------------------------------------------------------------
---
A060527
Dr. Edgardo Manuel Felipe
Riverón
------------------------------------------------------------
---------
Asesor
•
“Detección automática de los
Planteamient
o del
problema.
colores esenciales en
• Conceptos y
definiciones.
una imagen digital”
• Solución del
problema.
Ing. Sergio A. Márquez
• Evaluación De Silva
de -------------------------------------------------------------------
---
resultados. A060527

• Conclusiones Dr. Edgardo Manuel Felipe

.
Riverón
------------------------------------------------------------
---------
Asesor
Planteamiento
del
problema
Planteamiento del
problema

Los seres humanos tenemos la capacidad de discriminar la gran

cantidad de información que recibimos a través de nuestros
sentidos para realizar diversas tareas. Un caso específico es la
abstracción de la gran gama de colores que percibimos a un
etiquetado simple de ellos, lo cual nos permite ver objetos,
distinguir sombras, apreciar texturas, etc.

Estas tareas, en cambio, son muy complejas

para un sistema de cómputo, debido a su
incapacidad de discriminar eficientemente los
colores de una imagen sin pérdida de
información vital para el propósito.
Planteamiento del
problema

La cuantificación del color es el proceso de reducir la cantidad de

colores de una imagen, procurando tener una perdida mínima de
la calidad de la imagen.

Problemáticas que pueden ser resueltas aplicando una correcta

cuantificación del color son:
Planteamiento del
problema

Colores esenciales

Entendemos en nuestro trabajo como colores esenciales de una imagen,

aquellos colores con matices que de no existir en la misma, dan lugar a que
la imagen carezca de algún significado u objeto de importancia que la
distingue.
Planteamiento del
problema

Tipos de imágenes

Dado que pretendemos que el algoritmo que se

propone sea de carácter general, se han revisado y
analizado diferentes tipos de imágenes, ya que se ha
concluido que tienen diferentes comportamientos.
Se han clasificado las imágenes en los siguientes
tipos:

Textos;
Caricaturas;
Pinturas;
Publicidades;
Mapas;
Naturales.
Conceptos y
definiciones
Conceptos y
definiciones

El color es una sensación creada en respuesta a la excitación del

sistema visual humano por radiaciones electromagnéticas dentro
del espectro visible.

La retina humana posee tres tipos de

células foto receptoras de color
denominadas conos, que responden a
la radiación con distintas curvas
espectrales.
Conceptos y
definiciones

Un modelo perceptualmente uniforme es aquel en

el que la diferencia entre un color y otro dentro del
mismo modelo, guarda la misma proporción que la
diferencia que se aprecia con el sistema visual
humano.
Conceptos y
definiciones

En 1976 se desarrolló el espacio de color

L*a*b*, el cual intenta ser
perceptualmente uniforme y que ha sido
aceptado para una gran cantidad de
aplicaciones de colorimetría.

En el 2000 se desarrolló la
fórmula CIE2000 basada en
este espacio para calcular la
diferencia entre colores y
aproximarse más a las
características del sistema
visual humano (SVH).
Conceptos y
definiciones

La cuantificación del color consiste en la realización de una

conversión entre una imagen de color real a otra imagen definida
por una paleta de colores (imagen indexada). Esto conlleva
básicamente dos pasos:
• Diseño de la paleta de colores (PC);
• Reconstrucción de la imagen original con la PC obtenida.
Conceptos y
definiciones
Solución del
problema
Solución del problema

Se ha desarrollado un algoritmo que, a diferencia de los métodos

clásicos de cuantificación de color, no requiere conocer a priori el
tamaño de la paleta (cantidad de colores) a generar. Esto nos
lleva a un método no supervisado de cuantificación del color.
Solución del problema

Convertir la imagen al espacio L*a*b*

es la primera fase de nuestro sistema.

La segunda fase está dedicada a obtener regiones homogéneas

con un proceso de crecimiento donde partiendo de un píxel no
procesado, aglomera sucesivamente los píxeles vecinos que
cumplen con un criterio de homogeneidad controlado por un nivel
de tolerancia preestablecido. Este es el límite de diferencia
tolerable en cada color, el cual es calculado con la ayuda de la
expresión dada por la CIE2000.
Solución del problema

Una imagen de prueba (izquierda) y sus versiones de

exploración: con el recorrido por columnas (centro) y con el
recorrido en zigzag (derecha).
Solución del problema

Mapa de
NT Caricatura1 Lena Mandril Pintura1 Texto1
México
0 398 71068 256 306234 144998 159
2 271 648 234 651 1757 11
4 121 83 131 250 187 8
6 56 20 52 68 48 7
8 39 12 32 24 23 5
10 30 7 17 14 13 5
12 23 5 15 8 10 3
14 18 3 7 7 6 3
16 13 2 6 7 5 3
20 11 2 4 4 4 3
25 6 1 2 3 2 3
30 4 1 1 3 2 2
Solución del problema
Solución del problema

La calidad de la imagen en términos de apreciación de detalles,

se mide por la cantidad de regiones que existen en la misma. Las
regiones están formadas por píxeles del mismo color que se
encuentran conectados. A mayor número de regiones mejor será
la apreciación de los detalles en la imagen.

303 Regiones 6,706 Regiones

Solución del problema

Se encuentra implícito en el concepto de la cuantificación de color

una disminución del número de regiones, lo que representa una
pérdida de la calidad de la imagen cuantificada. Por lo tanto, el
objetivo a perseguir debe ser reducir la mayor cantidad de colores
con la mínima pérdida en el número de regiones.

Colores
Colores 0
------------------- 0
Regiones  ∞
Regiones

Con esta hipótesis, se analizaron varios tipos de imagen y se

observo que en todas el nivel de tolerancia optimo se encontraba
alrededor de 8.
Solución del problema
Solución del problema

De izquierda a derecha
y de arriba hacia abajo:
imagen original con
35,121 colores; imagen
reconstruida por
indexación; imagen
reconstruida por
“dithering”; y
finalmente se muestran
las regiones creadas
por el algoritmo. Estas
tres últimas imágenes
tienen 33 colores.
Solución del problema
Solución del problema
Solución del problema
Evaluación de
resultados
Evaluación de
resultados
Evaluación de
resultados

Caricatura 1 (398 colores – 41 colores)

Evaluación de
resultados

Caricatura 1

300
12000

250
10000
Colores

Regiones
200
8000

150 6000

100 4000

50 2000

0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30

Tolerancia Tolerancia
Evaluación de
resultados

Caricatura 2 (63,421 colores – 68 colores)

Evaluación de
resultados

Caricatura 2

4000
40000

3500
35000

3000
Colores

Regiones
30000

2500
25000

2000
20000

1500
15000

1000
10000

500 5000

0 0
0 5 10 15 20 25 0 5 10 15 20 25

Tolerancia Tolerancia
Evaluación de
resultados

Fotografía1
Lena (71,068 colores – 12 colores)
Evaluación de
resultados

Fotografía 1 (Lena)

700
45000

600 40000

35000
500
Colores

Regiones
30000
400
25000

300 20000

15000
200

10000
100
5000

0
0
0 5 10 15 20 25
0 5 10 15 20 25

Tolerancia Tolerancia
Evaluación de
resultados

Fotografía 2
Mandril (257 colores – 32 colores)
Evaluación de
resultados

Fotografía 2 (Mandril)

250
40000

35000
200
Colores

Regiones
30000

150 25000

20000
100
15000

50 10000

5000

0
0
0 5 10 15 20 25
0 5 10 15 20 25

Tolerancia Tolerancia
Evaluación de
resultados

Pintura 1 (306,234 colores – 24 colores)

Evaluación de
resultados

Pintura1

3000
400000

2500 350000

300000
Colores

Regiones
2000
250000

1500
200000

1000 150000

100000
500
50000

0
0
0 5 10 15 20 25 30 0 5 10 15 20 25 30

Tolerancia Tolerancia
Evaluación de
resultados

Pintura 2 (103,317 colores – 12 colores)

Evaluación de
resultados

Pintura 2

1200 180000

160000
1000
140000
Colores

Regiones
800
120000

100000
600

80000

400
60000

40000
200

20000

0
0
0 5 10 15 20 25 30 35
0 5 10 15 20 25 30 35

Tolerancia Tolerancia
Evaluación de
resultados

Mapa 1 (144,998 colores – 23 colores)

Evaluación de
resultados

Mapa 1

2000
160000
1800
140000
1600

120000
Colores

Regiones
1400

1200 100000

1000
80000
800
60000
600

400 40000

200 20000

0
0
0 5 10 15 20 25 30
0 5 10 15 20 25 30

Tolerancia Tolerancia
Evaluación de
resultados

Mapa 2 (36,085 colores – 13 colores)

Picture 6
Evaluación de
resultados

Mapa 2

60
40000

50 35000

30000
Colores

Regiones
40
25000

30
20000

20 15000

10000
10
5000

0
0
0 10 20 30 40 50 60
0 10 20 30 40 50 60

Tolerancia Tolerancia
Evaluación de
resultados

Texto 1 (159 colores – 5 colores)

Evaluación de
resultados

Texto 1

35 12000

30
10000
Colores

Regiones
25
8000

20
6000
15

4000
10

2000
5

0 0
0 20 40 60 80 100 0 20 40 60 80 100

Tolerancia Tolerancia
Evaluación de
resultados

Caricatura 1 (398 colores – 41 colores)

Evaluación de
resultados

Texto 2

100
1400
90

80 1200

70
1000
Colores

Regiones
60
800
50

40 600

30
400
20

10 200

0
0
0 10 20 30 40 50 60
0 10 20 30 40 50 60

Tolerancia Tolerancia
Evaluación de
resultados

Median-Cut OPQ Propuesto

Caricatura 1 9.55 2.83 2.54

Texto 1 0.11 0.13 4.45

Mapa México 46.76 19.83 16.26

Amp. Mandril 73.35 56.34 20.19

Lena 39.56 24.44 24.64

Caricatura 2 49.27 27.90 25.86

Mapa 2 29.21 21.55 26.66

Amp. Mapa
117.64 38.46 29.37
México
Mandril 56.10 34.73 30.30

Pintura 2 48.21 45.65 34.33

Pintura 1 72.65 59.77 40.44

Promedio 49.31 30.15 23.19

Evaluación de
resultados

Desempeño de los métodos de cuantificación del color

140.00
MedianCut OPQ Propuesto
120.00

100.00

80.00

60.00

40.00

20.00

0.00
Evaluación de
resultados
Imagen original Imagen regionizada Resultado de segmentación
Conclusiones
Evaluación de
resultados

EL objetivo general del trabajo de seleccionar los colores esenciales

de una imagen ha sido alcanzado con el algoritmo propuesto, el
cual hemos nombrado SACE (Selección Automática de los Colores
Esenciales). Sus ventajas son:

Automatización: La cantidad de colores obtenidos para la paleta

de colores son independientes del nivel de tolerancia elegido.
Depende de las propiedades intrínsecas de la imagen, propiedades
que escapan del alcance de los métodos clásicos.

Eficacia: La descripción cualitativa de una imagen en colores que

hace el sistema visual humano es muy precisa. Los pequeños
detalles de una imagen, como son los ojos del mandril o los
símbolos gráficos en la imagen del Mapa1, son claramente
percibidos por nuestro sistema visual.
Evaluación de
resultados

Trabajos futuros

Optimizar el algoritmo en cuanto a tiempo de cómputo para compararlo con otros

algoritmos de cuantificación del color.

Generar un algoritmo o una herramienta tal, que nos permita encontrar el nivel de
tolerancia óptimo para cada imagen, aunque esto implique una búsqueda exhaustiva
de su valor o largos periodos de tiempo de cómputo.

Llevar a cabo un análisis en cuanto a la eficiencia del algoritmo para la segmentación

de imágenes, comparando nuestros resultados con los obtenidos con los métodos
clásicos y actuales de segmentación.