1 Image Segmentation Chapter 9 Dr. Mario Chacón DSP & Vision Lab.

Presentación del tema: "1 Image Segmentation Chapter 9 Dr. Mario Chacón DSP & Vision Lab."— Transcripción de la presentación:

1 1 Image Segmentation Chapter 9 Dr. Mario Chacón DSP & Vision Lab

2 2 Introduction to Image Segmentation La segmentación en procesamiento de imágenes en forma genérica se puede definir como la determinación de estructuras o subestructuras que correspondan a la imagen de un objeto de interés. Adquisición de Imágenes PreprocesadoSegmentación Extracción de Características Reconocimiento e Interpretación Figura 9. 1 Segmentación en le proceso de análisis de escena.

3 3 Introduction to Image Segmentation Figura 9. 2 Complejidad de la segmentación e interpretación de escena.

4 4 Introduction to Image Segmentation Los métodos de segmentación en procesamiento de imágenes tienen dos corrientes principales: Basada en la determinación de bordes de objetos, uso de discontinuidades, para delimitar los objetos de interés. Basada en similitud de la información para realizar agrupamientos que formen los objetos.

5 5 Image Segmentation Edge Detection Figura 9. 3 a) Imagen can varios objetos, b) bordes en la imagen.

6 6 Image Segmentation Edge Detection Figura 9. 4 a) Borde de transición suave sin ruido, b) con disturbios, c) Borde de transición brusca sin ruido, d) con disturbios.

7 7 Image Segmentation Edge Detection

8 8

9 9

10 10 Image Segmentation Edge Detection Figura 9. 6 a) Original, b) Prewitt vertical, c) Prewitt horizontal, d) Sobel vertical, d) Sobel horizontal, e) Robert

11 11 Image Segmentation Edge Detection Figura 9. 7 a) Original, b) Prewitt vertical, c) Prewitt horizontal, d) Sobel vertical, d) Sobel horizontal, e) Robert with other threshold

12 12 Image Segmentation Edge Detection El operador Laplaciano está definido como.

13 13 Image Segmentation Edge Detection

14 14 Image Segmentation Edge Detection Figura 9. 8 a) Perfile de borde, b) primera derivada, c) segunda derivada.

15 15 Image Segmentation Edge linking

16 16 Image Segmentation Edge Detection Canny Primera, el error de detección de bordes, que indica que se deben localizar todos los bordes y no se deben generar respuestas falsas. La segunda se refiere a la localización del borde la cual se relaciona con la distancia entre el pixel detectado como borde y el borde real, la cual deberá ser minimizada. La tercera meta se agrega ya que las dos primeras no son suficientes y es para evitar la posibilidad de tener respuestas múltiples de un borde simple.

17 17 Image Segmentation Edge Detection, Canny Figura 9. 10 Operador Canny, a) Original, b) c), d)

18 18 Image Segmentation Edge Detection, Cordillera El primero es cómo encontrar los píxeles pertenecientes a un borde bajo un criterio específico. El segundo problema es como decidir cuales píxeles de los seleccionados como posibles píxeles de bordes van a ser marcados como bordes, esto es definición de bordes. Y por último el tercer problema sería el encadenamiento de bordes o extensión de los mismos.

19 19 Image Segmentation Edge Detection, Cordillera Se aplica un filtro Gaussiano de orden 5x5, ecuación (9.9), a la imagen original Se definen los niveles de bordes usando un operador de bordes Se calcula un umbral para decidir la cantidad de niveles de bordes a ser detectados, esto es, píxeles candidatos a ser bordes. Se usa la información topológica para clasificar a los candidatos a bordes Se encadenan los bordes clasificados y se expanden

20 20 Image Segmentation Edge Detection, Cordillera Figura 9. 11 Visualización de la topología referente a bordes.

21 21 Image Segmentation Edge Detection, Cordillera

22 22 Image Segmentation Edge Detection, Cordillera Rule 1 Rule 2 H Rule 2 V

23 23 Image Segmentation Edge Detection, Cordillera Píxel vecino Píxel final Dirección del borde 1 2 3 20 37 18 Figura 9. 15 a) Dirección del borde, b) Extensión del borde.

24 24 Image Segmentation Edge Detection, Cordillera 6 bordes Figura 9. 16 a) Imagen a procesar, b), c) histograma de, d), e) encadenado de bordes.

25 25 Image Segmentation Edge Detection, Cordillera Figura 9. 17 a) Original, b) Prewitt, c) Canny, d) Cordillera.

26 26 Image Segmentation Hough Transform x y.. (x i,y i ) (x j,y j ) b= -a x j +,y j a’ a b b= -a x i +,y i. b’ a) b) Figura 9. 18 Mapeo de puntos a rectas, a) puntos, b) rectas correspondientes.

27 27 Image Segmentation Hough Transform Figura 9. 19 Interpretación de y x y  

28 28 A B Image Segmentation Hough Transform 1 2 4 5 6 3 7 Figura 9. 20 a) Puntos en la imagen, b) su transformada Hough.

29 29 Image Segmentation Hough Transform Figura 9. 21 a) Documento, b) Región para análisis, c) acumulador de Hough, d) detección de líneas.

30 30 Image Segmentation Threshold Segmentation

31 31 Image Segmentation Threshold Segmentation Figura 9. 22 a) objeto y fondo, b) su histograma.

32 32 Image Segmentation Threshold Segmentation T p 1 (z) p 2 (z) Figura 9. 23 Ilustración de los dos tipos de errores debido a clasificación equivocada.

33 33 Image Segmentation Threshold Segmentation T p 1 (z) p 2 (z)

34 34 Image Segmentation Threshold Segmentation aplicando la regla de Liebnitz tenemos

35 35 Image Segmentation Threshold Segmentation 0.5 1 1 2 3 4 5 6 p 1 (z) p 2 (z) Figura 9. 24 Distribuciones de pixeles

36 36 Image Segmentation Threshold Segmentation

37 37 Image Segmentation Threshold Segmentation

38 38 Image Segmentation Threshold Segmentation

39 39 Image Segmentation Threshold Segmentation En la literatura existen otras variaciones al método de mínima probabilidad. Uno de los más mencionado en la literatura es el de maximización de la varianza entre clases propuesto por Otsu, se recomienda al lector consultar (Otsu [1979]) para una descripción detallada del método.

40 40 Image Segmentation Threshold Segmentation,binarization Figura 9. 25 a) Imagen a segmentar, b) histograma, c)perdida de pixeles del objeto, d) incorporación de fondo al objeto, e) usando umbral óptimo.

41 41 Image Segmentation Edge Threshold Segmentation Figura 9. 26 a) Original, b) su histograma, c) sus bordes, d) bordes dilatados, e) pixeles cercanos al borde del objeto, e) su histograma.

42 42 Image Segmentation Texture Segmentation

43 43 Image Segmentation Texture Segmentation var DL i(x,y) var DR var H var V Figura 9. 27 Direcciones de cálculo de varianza.

44 44 Image Segmentation Texture Segmentation a)b)c) Figura 9. 28 Procesamiento con el operador de textura, a) original, b) imagen de textura, c) regiones.

45 45 Image Segmentation Texture Segmentation Normalized autocorrelation function

46 46 Image Segmentation Texture Segmentation Figura 9. 29 a) Original, b) imagen de textura, c) regiones candidatas, d) máscara de placa, e) resultado de correlación, d)

47 47 Image Segmentation Region Based Segmentation Bajo este esquema podemos considerar a la segmentación como un proceso para particionar a en subimágenes,,.., de manera que i), que indica que toda la imagen se descompone en regiones distintas. ii), cada pixel de una región debe cumplir un criterio de conectividad con los demás pixeles que forman la misma región. iii), indica regiones disjuntas. Los pixeles en una región sólo pueden formar parte de esa región. iv), los pixeles dentro de una región deberán satisfacer el predicado o conjunto de predicados, que se utilizan para distinguir las regiones. Por ejemplo un predicado puede ser “el valor del pixel esta dentro del rango de tonos de gris ”. V), esta condición indica la distinción entre regiones, es decir la característica o características definidas con el o los predicados de una región no puede ser iguales en otra región.

48 48 Image Segmentation Region Growing Segmentation 00201 16770 27872 17771 12001 R1R1 R1R1 R1R1 R1R1 R1R1 R1R1 R2R2 R2R2 R2R2 R1R1 R1R1 R2R2 R2R2 R2R2 R1R1 R1R1 R2R2 R2R2 R2R2 R1R1 R1R1 R1R1 R1R1 R1R1 R1R1 a)b) Figura 9. 30 a) Imagen con semillas, b) resultado de segmentación por crecimiento de región

49 49 Image Segmentation Region Growing Segmentation “pixeles con valor en el rango de (0,50)” “pixeles con valor en el rango de (100,150)” “pixeles con valor >240” x x x Figura 9. 31 Generación de regiones con semilla y predicado. A) Original, b) Región 1, c) Región 2 (fondo), d) Región 3.

50 50 Image Segmentation Splitting and Merging Divida cada región en cuatro nuevas regiones disjuntas donde sea falso. Para evitar separaciones de regiones igual, una las regiones adyacentes e siempre y cuando. Repita i) e ii) mientras exista la posibilidad de continuar la división de la imagen

51 51 Image Segmentation Splitting and Merging

52 52 Image Segmentation Splitting and Merging

53 53 Image Segmentation Splitting and Merging R1R1 R1R1 R1R1 R1R1 R1R1 R1R1 R2R2

54 54 Image Segmentation Splitting and Merging R1R1 R1R1 R1R1 R1R1 R1R1 R1R1 R2R2

55 55 Image Segmentation Splitting and Merging R1R1 R1R1 R1R1 R1R1 R1R1 R1R1 R2R2

56 56 Image Segmentation Splitting and Merging R1R1 R1R1 R1R1 R1R1 R1R1 R1R1 R2R2 R1R1 R2R2