Capitulo 3 Segmentación.

Presentación del tema: "Capitulo 3 Segmentación."— Transcripción de la presentación:

1 Capitulo 3 Segmentación

2 Procesamiento y Análisis de Imágenes
PRE PROCESAMIENTO SEGMENTACIÓN EXTRACCIÓN DE CARACTERÍSTICAS imagen de entrada Imagen acondicionada objetos separados Patrón de características INTERPRETACIÓN DE LA ESCENA RECONOCIMIENTO CLASIFICACIÓN A la aplicación tipos de objeto

3 Segmentación Agrupación de partes pertenecientes a una imagen genérica en unidades que son homogéneas en relación a uno o varios atributos. División de la Imagen en regiones en objetos que sean de nuestro interés.

4 Segmentación Umbralización Segmentación Basada en Regiones
Técnicas Basadas en la Frontera

5 Capitulo 3 Segmentación Umbralización

6 Umbralización Es posible segmentar la imagen en función de los valores de intensidad de los pixeles. Se utiliza en imágenes que presentan objetos con luminancia uniforme y con un fondo que los diferencie.

7 Umbralización Umbralizar consiste en obtener una imagen binaria a partir de una imagen de niveles de gris Si los valores de la imagen están por debajo de un determinado umbral ⇒0 (en la imagen binaria) Si los valores de la imagen están por encima de un determinado umbral ⇒1 (en la imagen binaria)

8 Umbralización En la práctica puede ser necesario más de un umbral
Umbral global: Sólo depende de f(x,y) Umbral local: Depende de f(x,y) y de p(x,y) (propiedad local del punto – Ej. La media de la vecindad). Umbral dinámico: Depende de f(x,y), p(x,y), x, y

9 Umbralización Global Se utiliza cuando hay una clara definición del objeto y el fondo. Por cada fila de f(x,y) crear una fila en g1(x,y) según, Por cada columna de f(x,y) crear una columna en g2(x,y) según, LE y LB: Niveles para el borde y el fondo

10 Umbralización Global La imagen donde se distinguen los puntos del borde y los del fondo, se obtiene según,

11 Umbral basado en los píxeles de la Frontera
La clave en la selección de un umbral, esta en la correcta identificación de los picos de intensidad. Una manera de mejorar los histogramas es considerar sólo aquellos píxeles que están cercanos o dentro de la frontera. La frontera debe ser conocida: Opción utilizar un operador gradiente en conjunto con un Laplaciano para obtener información si un píxel pertenece al fondo o al objeto.

12 Umbral basado en los píxeles de la Frontera
0 : Píxeles que no pertenecen al borde. +: Píxeles del lado oscuro del borde. -: Píxeles del lado claro del borde.

13 Umbral basado en los píxeles de la Frontera

14 Segmentación Basada en Regiones
Capitulo 3 Segmentación Segmentación Basada en Regiones

15 Regiones Sea R una región que representa a la imagen completa.
La segmentación es un proceso que divide a R en n subregiones R1, R2, …, Rn tal que, P(Ri) es un predicado lógico definido sobre los punto del conjunto Ri, basado en alguna medida de similitud.

16 Crecimiento de Regiones
Principio: Pixeles vecinos tienden a tener propiedades similares si pertenecen a un mismo objeto Criterios de similitud. Se basan en conjugar dos propiedades Vecindad Homogeneidad

17 Crecimiento de Regiones
Agrupa píxeles o subregiones en regiones más grandes Se parte de un conjunto de puntos semillas a los cuales se les va añadiendo píxeles vecinos que posean propiedades similares. Si se usan n semillas se obtendrán como máximo n regiones además del fondo.

18 Crecimiento de Regiones
Crecimiento simple Inicialización Se parte de n pixeles semilla Progreso Las semillas ‘crecen’ por adición de pixeles similares definidos por un predicado. Finalización Las regiones creadas cubren las zonas de interés Selección de semillas Se realiza de forma manual

19 Crecimiento de Regiones
Predicado: Para añadir un píxel a la región, la diferencia en valor absoluto entre la intensidad de dicho píxel y la semilla sea menor que un umbral T. Se eligen dos semillas Se elige T =3 R1 -> a R2 - > b Problemas: Colocación de las semillas Predominancia del histograma Elección de la propiedades Textura , nivel de gris, localización 5 6 7 1 8 a b 8

20 División y Fusión de Regiones
Se basa en la división inicial de la imagen en un conjunto de regiones arbitrarias y disjuntas. A partir de ellas iniciar el proceso de fusión y/o división. Algoritmo Sea Ro la región inicial, constituida por la imagen completa. Seleccionar un predicado P. Para toda región Ri, tal que, P(Ri)=FALSO: Subdividir Ri en cuatro cuadrantes disjuntos. Fusionar cualquier par de regiones adyacentes Rj y Rk, para las que se verifique P(RjURk) = VERDADERO Si existen más regiones para fusionar o dividir ir a 3. si no, parar.

21 División y Fusión de Regiones
Ejemplo de un solo objeto sobre un fondo Predicado: Píxeles de intensidad constante P(Ri)=VERDADERO si todos los píxeles de Ri tienen la misma intensidad.

22 Técnicas Basadas en la Frontera
Capitulo 3 Segmentación Técnicas Basadas en la Frontera

23 Detectores de Frontera
Basados en criterios locales . Analizan un entorno de vecindad del pixel dado. Valor del gradiente en el punto y el entorno Dirección del gradiente en el punto y el entorno Basados en criterios globales Seguimiento del contorno Transformada de Hough

24 Seguimiento de Contornos
Después de la detección de bordes, analizar las características de los píxeles en una pequeña vecindad (3x3 ó 5x5). Todos los puntos similares se enlazan, formando un límite de píxeles que comparten propiedades comunes. Propiedades utilizadas: La intensidad de la respuesta del gradiente La dirección del gradiente

25 Seguimiento de Contornos
Considerando la magnitud, el píxel (x,y) es similar en magnitud al píxel vecino (x’,y’) si: Considerando la dirección, un píxel (x,y) es similar al píxel vecino (x’,y’) si:

26 Seguimiento de Contornos
La dirección del vector gradiente en un píxel es perpendicular a la dirección del borde en ese punto. La idea es extender la frontera en la dirección perpendicular del gradiente con píxeles vecinos cuya respuesta del operador gradiente sea similar.

27 Técnicas Basadas en la Frontera
Capitulo 3 Segmentación Técnicas Basadas en la Frontera Transformada de Hough

28 Transformada de Hough Método analítico, 1962.
Permite detectar curvas en una imagen Se consideran relaciones globales entre píxeles. Ecuaciones analíticas: Líneas, circunferencias, elipses Gran robustez frente al ruido y a la existencia de huecos en la frontera.

29 Detección de líneas Ecuación de la recta:
Definida por “a”: pendiente y “b”: Ordenada en el origen. Los parámetros a y b son constantes, siendo (x, y) variables. Si no se conocen los parámetros a y b, pero se conocen las coordenadas de uno o varios punto. Los parámetros a y b son considerados como variables, siendo (x, y) constantes.

30 Detección de líneas Cada punto (x,y) del plano imagen se convierte en una recta de pendiente –x y ordenada y en el origen.

31 Detección de líneas La transformación entre el plano de coordenadas y el plano o espacio de parámetros se denomina transformada de Hough. Discretización del espacio de parámetros en celdas denominadas de acumulación.

32 Transformada de Hough Evaluar para cada punto (x,y) y cada uno de los valores de a en el intervalo. Los valores de b obtenidos deben redondearse al valor discreto más cercano. Al tomar ai se obtiene bj, se incrementa en uno la celda A(i , j) bmax bmin amin amax i j

33 Transformada de Hough El número de votos obtenido en cada celda indica el numero de puntos que satisfacen la ecuación de la recta correspondiente. Las celdas con mayor acumulación de votos constituyen el conjunto de rectas detectadas. Problemas para representar la recta con posiciones verticales. Para evitarlo se usa la representación polar.

34 Transformada de Hough Representación polar:

35 Algoritmo Discretizar el espacio de parámetros estableciendo los valores max y mín de Inicializar el acumulador en ceros. Para cada punto del borde Calcular la dirección del vector gradiente Obtener de la ecuación Incrementar Para todas las celdas del acumulador Buscar los valores máximos del acumulador Las coordenadas dan la ecuación de la recta en la imagen.

36 Transformada de Hough

37 Detección Circular yc x xc

38 Detección Circular yc x x