Vous êtes sur la page 1sur 8

4.

Estado del arte

4. Estado del arte


Hoy en da, el anlisis y el tratamiento de las imgenes lo encontramos la mayora de las veces integrado con aplicaciones de visualizacin. La segmentacin de imgenes digitales en color es una parte importante en muchas tareas de anlisis y procesamiento digital. Actualmente se generan un gran nmero de trabajos que presentan diferentes tcnicas, modelos y algoritmos para segmentar las imgenes en color.

Ya que segmentacin de imgenes se refiere a la particin de una imagen en regiones diferentes que son homogneas con respecto a algn rasgo de la imagen, la segmentacin de imgenes es, generalmente, la primera tarea en el proceso de anlisis de cualquier imagen. Las tareas que siguen a la segmentacin, como pueden ser, extraccin de rasgos o reconocimiento de objetos, dependen fuertemente de cmo hallamos segmentado la imagen tras un paso de preprocesamiento que facilitar la segmentacin. Sin un buen algoritmo de segmentacin, un objeto nunca podra reconocerse. Por otro lado, sobresegmentar una imagen podra dividir un objeto en muchas regiones diferentes, mientras que subsegmentar la imagen, podra unir objetos diferentes en una misma regin. Por tanto, el paso de segmentacin ser un factor determinante en el xito o fracaso del anlisis. Dividiremos las tcnicas en cuatro grupos:

Grupo 1: Segmentacin basada en el valor del pxel

Aqu se engloban las tcnicas basadas en el histograma. Se trata de obtener el histograma de una imagen, en el cual se localizan los puntos mximos y se estudian y analizan los intervalos que rodean a stos durante el proceso de segmentacin. Dentro de este grupo se consideran: la segmentacin por agrupamiento de pxeles en un espacio de color, de acuerdo a alguna caracterstica, los algoritmos de agrupamiento difuso y la umbralizacin.

Grupo 2: Segmentacin basada en regiones.

Dentro de este tipo de segmentacin se encuentran los mtodos de combinacin y divisin, y crecimiento de regiones. Crecimiento de regiones Esta estrategia necesita un conjunto de semillas iniciales para funcionar, as como un criterio general para incluir pxeles en una regin. El proceso se desarrolla intuitivamente

11

4.Estado del arte etiquetando todos los pxeles a partir de estas semillas. En cada paso se etiqueta nicamente un pxel y ser aquel que tenga el color ms parecido al color medio de sus conjuntos adyacentes, es decir, se agregar al ms similar de ellos. Este proceso se repite hasta que todos los pxeles se asignan a alguna regin. El mtodo funciona bien en imgenes ruidosas pero es muy sensible a cmo se inicialicen las semillas (el tamao y la posicin de las semillas puede afectar al color medio inicial y con ello a las iteraciones consecutivas) y en algunos casos da como resultado unos bordes muy irregulares. Se conoce que estos mtodos son muy sensibles dependiendo de las semillas iniciales que se escojan junto con la forma estadstica en la que los segmentos son computados. Justamente de esto depender si dos regiones finalmente se unirn o permanecern separadas.

Figura10:Crecimientoderegiones.

Es muy comn emplear este tipo de segmentacin en imgenes biomdicas, de clulas, tejidos musculares, vasos sanguneos, etc. Esto es as, porque en este tipo de imgenes se tiene un conocimiento previo del concepto o elemento que se quiere segmentar. De este modo, es posible aplicar tcnicas heursticas que permitan determinar propiedades basadas en niveles promedio de valores de luminancia, contraste, matiz, etc, que permitan obtener el conjunto de regiones homogneas que determinen la segmentacin de la imagen. Divisin y combinacin ( Split & Merge) Estos mtodos comienzan a partir de regiones no uniformes que se dividirn hasta que un criterio de uniformidad sea satisfecho. Posteriormente, las regiones que obtenemos son recombinadas para formar regiones uniformes lo ms grande posibles. La fase de divisin es anloga al proceso mencionado con las semillas y se lleva a cabo analizando el histograma de la

12

4.Estado del arte imagen. Hay que saber que la fase de fusin puede ser llevada a cabo por un mtodo de crecimiento de regiones. Grupo 3: Segmentacin mediante deteccin de contornos.

La deteccin de contornos se realiza mediante bsqueda de discontinuidades en la imagen, es decir, de pxeles en los cuales el nivel de gris vare bruscamente respecto al de sus vecinos. Las dos tcnicas ms conocidas de deteccin de puntos de contorno son la bsqueda de puntos de elevado gradiente (utilizando la primera derivada) o de cruces por cero de la laplaciana (segunda derivada) [9].

Deteccin de contornos utilizando la primera derivada Una vez aplicada a la imagen un operador derivativo, como los de Sobel [10], Roberts [11], etc., se realiza una clasificacin de los pxeles de la imagen segn si son o no pertenecientes a contornos. Para realizar esta clasificacin, existen varias tcnicas, que podemos clasificar bsicamente en:

1. Aplicacin de un umbral a la imagen de gradiente. De esta forma se seleccionan nicamente los puntos de gradiente superior a un valor determinado. Aunque esta tcnica, al tratarse de una simple umbralizacin, es muy sencilla, tiene el inconveniente de que no busca los mximos del gradiente, sino slo los puntos de gradiente elevado. Por lo tanto, se eliminarn contornos ms dbiles, que sin embargo pueden ser muy importantes.

2. Operador de Canny. Es una de las tcnicas ms utilizadas en deteccin de contornos y se basa en la idea de la bsqueda de los mximos del gradiente. En primer lugar, se realiza un filtrado de la imagen original mediante la aplicacin de un filtro gaussiano, con lo cual se consigue minimizar el efecto del ruido sobre el proceso de deteccin. A continuacin, comienza la fase de deteccin de mximos de gradiente. En el caso unidimensional, basta con realizar una bsqueda de los mximos absolutos, pues en ese caso sera imposible detectar contornos enteros, que corresponden a crestas y no a picos aislados. La bsqueda de los mximos ha de realizarse por lo tanto en la direccin perpendicular al contorno, que no es ms que la propia direccin del gradiente. La tcnica consiste en realizar la deteccin de los mximos del gradiente en la direccin

13

4.Estado del arte del gradiente. El clculo de dicha direccin es instantneo si disponemos de los valores de las derivadas parciales. Una vez calculados dichos mximos, se realiza una bsqueda de los puntos que realmente pertenecen a los contornos, para lo cual se aplican dos umbrales, uno alto y otro bajo. Los puntos mximos que superen el umbral alto se etiquetan directamente como contornos. Los puntos que superen el umbral bajo sern etiquetados como contornos a condicin de que alguno de sus vecinos est etiquetado como contorno. Deteccin de contornos utilizando la segunda derivada. Este mtodo se basa en detectar los cruces por cero de la derivada segunda de la imagen original. Los puntos correspondientes a bordes de la imagen original corresponden a puntos en los que la laplaciana cambia de signo, esto es, a cruces por cero de la laplaciana. La deteccin de estos cruces por cero es relativamente sencilla, y da una estimacin muy exacta de la posicin de los contornos, adems se trata de una deteccin muy fiable. Los contornos obtenidos son curvas de nivel de la imagen (las correspondientes al nivel cero), y por tanto siempre son cerrados o desaparecen por el borde de la imagen, nunca aparecen segmentos aislados. Esta propiedad es extremadamente importante cuando lo que se desea es segmentar la imagen. Las desventajas principales que presenta la laplaciana son dos: a la hora de detectar bordes son muy sensibles al ruido, por lo que se suele recurrir a tcnicas combinadas de umbralizacin/deteccin. La segunda desventaja surge a la hora de detectar los cruces por cero pues, en general, los pxeles en la laplaciana no poseen exactamente el valor cero, as que los cruces por cero se detectan cuando dos pxeles contiguos poseen valores de signo diferente. En este caso, el contorno se encuentra realmente en algn lugar entre los dos pxeles, pero no en ninguno de ellos; este inconveniente se resuelve generalmente suponiendo que el contorno se encuentra en aquel de los pxeles cuyo valor de laplaciana est ms cercano a cero, con lo cual se toma la opcin menos mala. Unin de contornos. Para conseguir una verdadera segmentacin, es necesario emplear tcnicas de unin de contornos que unan entre s los trozos de curva citados y eliminen los puntos aislados, intiles para la segmentacin. Las tcnicas de unin de contornos se dividen en dos grupos, de procesamiento local y por otro lado, de procesamiento global.

14

4.Estado del arte 1. Procesamiento local.

Se toman cada uno de los puntos que han sido detectados como correspondientes a un contorno (mediante alguna de las tcnicas explicadas anteriormente) y se analizan las caractersticas de los puntos de su vecindad. Aquellos puntos que tengan caractersticas similares se unen, formando un contorno.

2. Procesamiento global: transformada de Hough.

Una vez detectados los puntos de contorno mediante cualquiera de las tcnicas estudiadas, existe la posibilidad de construir con estos puntos, formas predeterminadas tales como, rectas, circunferencias, etc. Por ejemplo, para el caso de bsqueda de rectas, la idea consiste en buscar, entre los puntos de contorno, aquellos que podran ser unidos para formar una recta de tamao suficientemente. La tcnica ms extendida para realizar esta bsqueda es la denominada trasformada de Hough [12]

Grupo 4: Segmentacin basada en la fsica.

El objetivo de estos mtodos es segmentar imgenes de acuerdo al contorno real de objetos evitando ser arrastrados por sombras y sobresaltos en la imagen. Se trata de un objetivo muy difcil, ya que las medidas provenientes de una sola superficie puede variar mucho debido a interreflexiones, sombras, ruidos, iluminaciones no uniformes o superficies texturadas. La segmentacin basada en modelos fsicos permite segmentar mediante el estudio del proceso de reflexin de la luz y formacin de la imagen. Atendiendo a los algoritmos, las bases de estos procesos suelen ser muy similares a los otros mtodos de segmentacin, slo que difieren de ellos por el hecho de que usan explcitamente los modelos de reflexin en superficies para segmentar las imgenes.


Crecimiento de Regiones (Region Growing)

Nos centraremos en el crecimiento de regiones pues ser el mtodo usado en nuestro algoritmo. El crecimiento de regiones es una conocida tcnica de segmentacin de imgenes y

15

4.Estado del arte una de las ms usadas debido a su competitiva representacin y alta eficiencia computacional. A menudo, estos algoritmos cuentan con parmetros que necesitan ser escogidos para cada imagen y cada algoritmo individualmente para obtener buenos resultados en la segmentacin. La configuracin de parmetros que lleva al mejor resultado durante la segmentacin es generalmente desconocido, adems, encontrar el parmetro ptimo ser una misin difcil y por tanto un problema importante. En la mayora de los casos simplemente se asume que hay un rango de valores para estos parmetros que llevarn al algoritmo a dar unos buenos resultados. Es cierto que an designando un rango de valores para unos determinados parmetros, en algunas ocasiones los algoritmos de crecimiento de regiones no conseguirn un buen resultado final durante el proceso de segmentacin lo que lleva a la conclusin de la inestabilidad de estos parmetros. En [13] se argumenta que los mtodos de crecimiento de regiones sufren el siguiente problema: Pxeles de valores de intensidad diferentes pueden ser juntados en una misma regin cuando existe una cadena de pares de pxeles similares que los conecta. Adems, la direccin en la cual una regin crece es dependiente del orden en que los pxeles sean examinados. En cada iteracin, los algoritmos de crecimiento de regiones buscan el pxel que no est etiquetado con la menor diferencia de intensidad entre el pxel y sus regiones vecinas. Adicionalmente, las caractersticas de cada regin son adaptativamente actualizadas como el algoritmo de crecimiento de regiones proceda. Suponiendo que la imagen de entrada cambie un poco, como en el caso de imgenes con ruido, este cambio puede ocasionar una secuencia diferente en el crecimiento y adems, diferentes caractersticas. imgenes casi idnticas pueden llevar a diferentes regiones con

Estudios como [14] tratan de encontrar las herramientas para hallar los mejores parmetros iniciales en los algoritmos de crecimiento de regiones, segn la aplicacin que vayan a tener. Algunos mtodos basados en el crecimiento de regiones, como el presentado en [15] son capaces de segmentar imgenes con resultados satisfactorios en el caso de que exista mucho ruido y las imgenes sean pequeas. Tambin podemos encontrar algoritmos de crecimiento integrados con otros algoritmos de segmentacin para combinar las ventajas de ambos como puede ser el presentado en [16]. El algoritmo de colonia de hormigas es tratar cada pxel como una hormiga que se mueve aleatoriamente. Para completar el proceso de agrupacin de pxeles, este algoritmo emplea mucho tiempo pues incurre en una gran cantidad de clculos, sin embargo, los resultados son muy buenos. Para solucionar este problema, se utiliza un algoritmo de crecimiento de imgenes para dividir la imagen en color en varias regiones. Despus de la utilizacin de este algoritmo,

16

4.Estado del arte la imagen se usa como entrada para el algoritmo de agrupaciones de colonias de hormigas donde cada regin se trata como una hormiga para agilizar el proceso de crecimiento de regiones. Este nuevo mtodo conserva las ventajas de los algoritmos de crecimiento de regiones y de la agrupacin de hormigas, lo que efectivamente mejora la velocidad de la segmentacin y la integridad de las regiones. En [16], los resultados experimentales confirman que el uso combinado de los algoritmos da mejores resultados que al uso del de colonia de hormigas slo. En [17] se combinan los mtodos de crecimiento de regiones y un mtodo de umbralizacin gaussiano donde tambin se comprueba que la adicin del mtodo de crecimiento permite un mejor y ms amplio reconocimiento de objetos en una imagen en color.

Herramienta de evaluacin

Una buena herramienta de evaluacin es imprescindible para el desarrollo de cualquier algoritmo. Durante las ltimas dcadas se han desarrollado muchos algoritmos de segmentacin, sin embargo, los resultados de estos mtodos de segmentacin son nicamente evaluados visualmente o cuantitativamente [2]. Esto es bastante sorprendente teniendo en cuenta la necesidad de una herramienta de evaluacin objetiva a la hora tanto de implementar nuevos mtodos como de comparar los ya existentes. La prctica actual en el mbito de la segmentacin de regiones justifica nuevos avances proporcionando un conjunto de resultados cualitativos, es decir, presentado ejemplos seleccionados de dichas segmentaciones. Aunque el propio mtodo puede ser suficiente para ilustrar los efectos del procesado de bajo nivel, por ejemplo la deteccin de bordes, por lo general no proporcionar una demostracin satisfactoria en los mtodos de segmentacin. Otra alternativa es una evaluacin subjetiva ad-hoc con un determinado grupo representativo de espectadores. Idealmente debera reducirse al mnimo la subjetividad frente a las condiciones estrictas de evaluacin. En [18] se presentan una serie de experimentos subjetivos que pueden considerarse la base para una mejor comprensin de la percepcin humana de la segmentacin. Sin embargo, la segmentacin es rara vez el objetivo final en cualquier aplicacin, sino ms bien un paso hacia la comprensin de la escena. Por todo esto, la principal dificultad en la evaluacin de la segmentacin radica en establecer un criterio adecuado para una aplicacin determinada. Por tanto, debera ser posible realizar una

evaluacin objetiva del algoritmo de particionamiento, midiendo el rendimiento global del sistema en el que se integra pero, desafortunadamente, en muchos casos, este enfoque se vuelve a menudo poco prctico debido a la complejidad de los algoritmos. Generalmente, el rendimiento del sistema depende de las combinaciones de parmetros del sistema y del propio algoritmo de segmentacin. Esto hace que sea muy difcil garantizar unas condiciones ptimas de evaluacin.

17

4.Estado del arte En los ltimos aos, se ha hecho evidente que el elemento clave de estos sistemas es la interaccin entre usuarios, y el pertinente feedback. Pero de nuevo nos encontramos la dificultad de tener en cuenta esos factores tanto en amplios experimentos de evaluacin, como en los requeridos para desarrollos de nuevos mtodos de segmentacin.

18