Expansión
Contracción
Segmentación de imágenes Extraer regiones de interés
Segmentación Proceso de particionar una imagen en un conjunto de regiones disjuntas cuya unión forma la imagen completa Estas regiones, generalmente corresponden a objetos, fondo, etc. La mayoría de los algoritmos de segmentación se basan en dos principios: Discontinuidad Similaridad
Segmentación Proceso complejo debido a: Presencia de iluminación discontinua Sombras Superposición de objetos Poco contraste
Segmentación Muchas técnicas ad-hoc Las técnicas pueden variar de acuerdo a: Tipo de imagen (binaria, gris, color) Selección de la técnica matemática (morfología, estadística, basada en grafos, etc.) Tipo de característica (intensidad, color, textura, movimiento, etc.) Enfoque algoritmico (top-down, bottom-up, grafos) Una posible clasificación es: métodos basados en intensidad, basados en regiones y otros métodos.
Basados en intensidad
Thresholding IPT tiene una función para convertir una imagen en grises a binaria: im2bw La función recibe como parámetro el threshold T El algoritmo de una técnica básica de thresholding es: Inspeccionar el histograma (imhist) Seleccionar el valor apropiado de T Aplicar el valor seleccionado (im2bw) Si el resultado es satisfactorio, salvar la imagen. Sino, repetir los pasos 2-4
Thresholding Probemos el siguiente algoritmo: Ioriginal = imread('coins.jpg'); I = rgb2gray(Ioriginal); imshow(I); Id = im2double(I); % I is a uint8 grayscale image T = 0.5*(min(Id(:)) + max(Id(:))); deltaT = 0.01; % convergence criterion done = false; while ~done g = Id >= T; Tnext = 0.5*(mean(Id(g)) + mean(Id(~g))); done = abs(T – Tnext) < deltaT; T = Tnext; end imshow(im2bw(I, T)); %what means T? 🙂
Thresholding Ejercicio: empleando un thresholding “manual” compararlo con el algoritmo anterior y empleando la función graythresh de Matlab
Basados en regiones Concepto de conectividad. Partición de I en n regiones R1, R2, R3, R4 Region growing Comenzar en p e ir “creciendo” alrededor de ésta mientras se cumpla el criterio de homogeneidad
Region Growing Requiere de una(s) semilla(s) Se necesita definir: El criterio de similitud ¿Cómo se selecciona la semilla? El criterio de parada promedio de píxeles
Region Growing
Watershed Técnica morfológica que su nombre deriva de la geografía
Watershed significa la línea divisora (general-mente cordilleras/mon-tañas) que divide las áreas drenadas por dife-rentes sistemas fluvia-les
Watershed IPT tiene la función watershed Requiere una imagen de entrada y el criterio de conectividad (4 u 8 vecinos) Adicionalmente, en Matlab existe una función para la distancia que se usa en conjunto con watershed Esta función calcula la distancia de un píxel al píxel más cercano de éste distinto de 0. La función se llama bwdist y contiene distancia Euclideana y de Ciudad (Manhattan)
Percepción del Color Combinación de las propiedades de la luz + el aspecto psicológico del sistema de visión humano Los modelos de color es una especificación de un sistema de coordenadas y un subespacio, donde cada color es representado como un punto Pueden variar de acuerdo al área de trabajo: Fotografía Física Materiales Algoritmos
Modelo RGB Valores desde 0x00 hasta 0xFF por canal
Modelo CMY y CMYK Emplea los 3 colores primarios (pigmentos): Cyan Magenta Amarillo Empleado por las impresoras El cuarto color: blacK (CMYK) En Matlab, la conversión entre RGB y CMYK se realizar con la función imcomplement
Modelo HSV Hue, describe el tipo de color (tono) Saturation, medida de la “pureza” (diluido en blanco) Value, intensidad de la luz reflejada desde los objetos
Modelo HSV Capacidad de distinguir colores distintos por un humano Algoritmos basados en HSV Problemas con los valores alrededor del rojo y conversión a RGB (costoso) En Matlab: rgb2hsv y hsv2rgb
Otros Modelos YIQ (NTSC), empleado para la televisión analógica (América) Y: luminancia, I: dos señales de color, Q: saturación En Matlab, rgb2ntsc y ntsc2rgb YCbCr, usado para video digital Y: luminancia, Cb: diferencia en azul, Cr: diferencia en rojo y valor referencia En Matlab, rgb2ycbcr y ycbcr2rgb
PseudoColor Realzar una imagen monocroma para propósitos visuales Niveles de grises “opacan” regiones de interés (ejemplo: presencia de un tumor) El ojo humano es capaz de distinguir miles de intensidades de color, y solo 100 niveles de grises Solución típica: usar una LUT (lookup table) y contrastar colores consecutivos Diversas técnicas de pseudocolor
Intensity Slicing En Matlab, la función grayslice
Intensity Slicing
Otras técnicas Niveles de grises a transformaciones de color
Pseudocolor en el dominio de la frecuencia Pseudolor después de un proceso de segmentación a cada región
| Página siguiente |